与克里金法和高斯过程的差异有关的混乱

我很难理解克里金法和高斯法之间的区别。我的意思是Wiki说它们是相同的，但它们的预测公式是如此不同。

我有点困惑为什么将它们称为相似。澄清吗？

gaussian-process

— 用户名
source

普通克里金法和简单克里金法之间有一些细微的差别，也许会使您感到困惑。GP回归通常的表示方式类似于简单克里金法。在高斯过程Wikipedia条目中，它表示该文章明确引用了“ 零均值分布 ”。这与简单克里金法中的假设相同。

同样，一般来讲，克里金法通常在二维或三维空间中执行（例如，沿某个给定区域的污染物浓度），而大多数GPR玩具示例都是一维的（例如，大气中的浓度随时间变化）。 $CO_2$

归根结底，kriging / GPR是一种插值技术，并且其变体之间的大部分（并非全部）差异都基于关于平均趋势（如果您更喜欢此表示法，则为E [ ]）的假设。 $\mu(X)$ $X_t$

— usεr11852
source

这不是真的。您通常会在GP文献中看到，在不失一般性的情况下，他们使用零均值假设，然后将均值的结构添加到核中（例如，添加线性核等）。当然，GP并不仅在一个维度上使用，几乎在任何有关该主题的论文中都可以看到。一维方案仅用于介绍性文字中的直觉目的。实际上，在大多数一维情况下，您可以将GP编码为卡尔曼滤波器，从而提高计算效率。

— j__ 2015年

@j__对于您的评论的第一部分：我部分同意，但不幸的是，这主要是一个术语问题，人们有时会滥用它。我介绍我在书中看到的规范区别。第二部分：请允许我不同意。我看到了GPR 1D案例的多种应用（例如，在FX汇率建模，系统发生学和ODE解决方案中 -这些只是在Google上进行快速搜索）。我欣赏你的意见，即一般统计框架（续）

— usεr11852

在多变量设置中应用时会自动使用，但这不会破坏一维应用程序。

— usεr11852

好吧，我确实知道你来自哪里。我想我会说，GP在N维空间中行为更为普遍，而不是像Kriging那样局限于2/3。一维设置是一种特殊情况。这可能是我们可以达成共识的良好中间立场；）

— j__15年

是的，一维案例往往是唯一的。（可怕双关语）

— usεr11852

GP在地统计学中称为克里金法。要了解高斯过程的历史，请观看此视频http://youtu.be/4r463NLq0jU?t=26s

— 普什卡
source