Gaussian Process Teguh
Gaussian Process Teguh (Robust GP) melanjutkan rangka kerja Gaussian Process standard dengan menggantikan kebarangkalian hingar (noise likelihood) Gaussian dengan taburan berhujung tebal (heavy-tailed distribution) — lazimnya Student-t — supaya pencilan dalam data latihan memberi pengaruh yang kurang pada fungsi yang dipelajari. Ia mengekalkan ciri kuantifikasi ketidakpastian probabilistik penuh GP standard sambil menjadi jauh kurang sensitif kepada pemerhatian yang rosak atau luar biasa.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/ms/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.
- Proses Gaussian BayesianPembelajaran Mesin↔ compare
- Gaussian ProcessPembelajaran Mesin↔ compare
- Regresi Linear RobasPembelajaran Mesin↔ compare
- Robust Random ForestPembelajaran Mesin↔ compare
- Mesin Vektor Sokongan TeguhPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →