Bayesiansk Gaussisk Prosess
En Bayesiansk Gaussisk Prosess (GP) plasserer en sannsynlighetsfordeling direkte over funksjoner, ved å bruke en kjerne for å kode likhet mellom innganger. Etter å ha observert data, konverterer Bayes' regel denne priorfordelingen til en posteriorfordeling som gir ikke bare punktprediksjoner, men også kalibrerte usikkerhetsestimater ved hver ny inngang – noe som gjør den til en av de mest prinsippfaste sannsynlighetsmodellene innen maskinlæring.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bayesian Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk lineær regresjonBayesiansk↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Gaussisk prosessMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →