Machine learningMachine learning
正則化ガウス過程
正則化ガウス過程（GP）は、関数上に事前分布を置く確率的カーネルベースモデルであり、観測ノイズ分散というノイズ正則化パラメータを通じて過学習を明示的に制御します。これにより、モデルが訓練ラベルを記憶することを防ぎます。予測と同時に、校正された不確実性推定値を出力するため、モデルがどれだけ確信を持っているかを知ることが、予測そのものと同じくらい重要な、小規模または高価なデータセットに特に適しています。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Regularized Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/ja/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.
Compare side by side →