Regulæriseret Gaussisk Proces
En regulæriseret Gaussisk Proces (GP) er en probabilistisk kernebaseret model, der placerer en prior over funktioner og eksplicit kontrollerer overfitting gennem en støjreguleringsparameter – observationsstøjvariansen – som forhindrer modellen i at huske træningsmærker. Den producerer kalibrerede usikkerhedsestimater sammen med forudsigelser, hvilket gør den unikt egnet til små eller dyre datasæt, hvor viden om modellens sikkerhed betyder lige så meget som selve forudsigelsen.
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.
Kilder
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Scholkopf, B., & Smola, A. J. (2002). Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press. ISBN: 978-0-262-19475-4
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/da/machine-learning/regularized-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
- Gaussisk procesMaskinlæring↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
- Regulariseret Support Vector MachineMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →