Robuster Gauß-Prozess
Ein Robuster Gauß-Prozess (Robust GP) erweitert den Standard-Gauß-Prozess-Rahmen, indem die Gaußsche Rausch-Likelihood durch eine Verteilung mit schweren Rändern (heavy-tailed distribution) ersetzt wird – typischerweise die Student-t-Verteilung –, sodass Ausreißer in den Trainingsdaten weniger Einfluss auf die gelernte Funktion haben. Er behält den vollen probabilistischen, unsicherheitsquantifizierenden Charakter eines Standard-GP bei und wird gleichzeitig weitaus weniger empfindlich gegenüber korrumpierten oder anomalen Beobachtungen.
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
- Jylanki, P., Vanhatalo, J., & Vehtari, A. (2011). Robust Gaussian Process Regression with a Student-t Likelihood. Journal of Machine Learning Research, 12, 3227–3257. link ↗
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/de/machine-learning/robust-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.
- Bayesian Gaussian ProcessMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Robuste Lineare RegressionMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
- Robuste Support-Vektor-MaschineMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →