Bayesian Ridge Regression
Bayesian Ridge Regression ist eine probabilistische Formulierung der Ridge-Regression, die 1992 von David J. C. MacKay eingeführt wurde. Dabei werden die Regularisierungsstärke und die Rauschpräzision nicht vom Analysten festgelegt, sondern stattdessen automatisch durch Maximierung der marginalen Likelihood (Evidenz) der beobachteten Daten geschätzt. Das Ergebnis ist eine vollständige Posterior-Verteilung über die Regressionsgewichte zusammen mit kalibrierter prädiktiver Unsicherheit.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- MacKay, D. J. C. (1992). Bayesian Interpolation. Neural Computation, 4(3), 415–447. DOI: 10.1162/neco.1992.4.3.415 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 3). Springer. ISBN: 978-0-387-31073-2
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Ridge Regression (MacKay Probabilistic Regularisation). ScholarGate. https://scholargate.app/de/machine-learning/bayesian-ridge-regression
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.
- Elastic NetMaschinelles Lernen↔ compare
- Lasso-RegressionMaschinelles Lernen↔ compare
- Ridge RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →