Gaussisk proces
En Gaussisk proces (GP) er en ikke-parametrisk, fuldt probabilistisk maskinlæringsmodel, der placerer en forudgående fordeling direkte over funktioner. I stedet for at forudsige en enkelt værdi returnerer den et prædiktivt gennemsnit og et kalibreret usikkerhedsestimat ved hvert testpunkt, hvilket gør den særligt værdifuld til regression på små til mellemstore datasæt og til Bayesianske optimeringsopgaver.
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.
+20 more
Kilder
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Gaussian process. Wikipedia. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/da/machine-learning/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 Gaussisk ProcesMaskinlæring↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Random ForestMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →