Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| Bayesiánus támasztóvektoros gép× | Gauss-folyamat× | |
|---|---|---|
| Tudományterület | Gépi tanulás | Gépi tanulás |
| Módszercsalád | Machine learning | Machine learning |
| Keletkezés éve≠ | 2001–2011 | 2006 (book); roots in Kriging, 1951) |
| Megalkotó≠ | Polson, N. G. & Scott, S. L.; Tipping, M. E. | Rasmussen, C. E. & Williams, C. K. I. |
| Típus≠ | Bayesian probabilistic classifier / regressor | Probabilistic non-parametric model |
| Alapmű≠ | Polson, N. G., & Scott, S. L. (2011). Data augmentation for support vector machines. Bayesian Analysis, 6(1), 1–23. DOI ↗ | Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9 |
| Alternatív nevek | Bayesian SVM, probabilistic SVM, Bayesian kernel machine, BSVM | GP, Gaussian Process Regression, GPR, Kriging |
| Kapcsolódó | 3 | 3 |
| Összefoglaló≠ | Bayesian SVM places a prior distribution over the weight vector of a standard SVM and derives a full posterior, enabling calibrated uncertainty estimates, automatic hyperparameter selection, and probabilistic predictions. It combines the strong margin-based geometric intuition of SVMs with the principled uncertainty quantification of Bayesian inference. | A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks. |
| ScholarGateAdatkészlet ↗ |
|
|