Bayesiansk Gaussisk Proces
En Bayesiansk Gaussisk Proces (GP) placerer en sandsynlighedsfordeling direkte over funktioner ved at bruge en kerne til at indkode lighed mellem inputs. Efter at have observeret data omdanner Bayes' regel denne prior til en posterior, der ikke kun giver punktforudsigelser, men også kalibrerede usikkerhedsestimater ved hvert nyt input – hvilket gør den til en af de mest principielle probabilistiske modeller inden for maskinlæring.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 6). Springer. ISBN: 978-0-387-31073-2
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/da/machine-learning/bayesian-gaussian-process
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk lineær regressionBayesiansk↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Gaussisk procesMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →