Robuuste Gaussische Processen
Robuuste Gaussische Processen (Robust GP) breidt het standaard Gaussische Process-framework uit door de Gaussische ruis-likelihood te vervangen door een verdeling met zware staarten — doorgaans Student-t — zodat uitschieters in de trainingsdata minder invloed hebben op de geleerde functie. Het behoudt het volledige probabilistische, onzekerheidskwantificerende karakter van een standaard GP, terwijl het veel minder gevoelig wordt voor gecorrumpeerde of anomale observaties.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/nl/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 Gaussische ProcesMachine learning↔ compare
- Gaussiaans ProcesMachine learning↔ compare
- Robuuste Lineaire RegressieMachine learning↔ compare
- Robuuste Random ForestMachine learning↔ compare
- Robuuste Support Vector MachineMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →