Beijes Gaussian process
Beijes Gaussian process (GP) modelī novieto varbūtības sadalījumu tieši pār funkcijām, izmantojot kodolu (kernel), lai kodētu līdzību starp ievadītajiem datiem. Pēc datu novērošanas Beijesa likums pārveido šo iepriekšējo sadalījumu (prior) par pakārtoto sadalījumu (posterior), kas nodrošina ne tikai punktu prognozes, bet arī kalibrētus nenoteiktības novērtējumus katram jaunajam ievadītajam datam — padarot to par vienu no principālākajiem probabilistiskajiem modeļiem mašīnmācīšanā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Avoti
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 6). Springer. ISBN: 978-0-387-31073-2
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/lv/machine-learning/bayesian-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.
- Bāziskā lineārā regresijaBajesa metodes↔ compare
- Optimizācija ar Bajesas metodiOptimizācija↔ compare
- Gausa processMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →