Robust Gaussian Process Regression and Classification
Standardowy proces Gaussa zakłada, że każda obserwacja odbiega od prawdziwej funkcji o szum gaussowski. Ponieważ rozkład Gaussa ma bardzo cienkie ogony, nawet jedna duża wartość odstająca może drastycznie odchylić cały dopasowany krzywy od właściwego kursu. Robust GP zastępuje model szumu o cięższych ogonach, taki jak rozkład t-Studenta, którego ogony przypisują większe prawdopodobieństwo dużym odchyleniom. Model skutecznie obniża wagę punktów danych, które wyglądają jak wartości odstające, i pozwala, aby gładki, fizycznie rozsądny sygnał kierował dopasowaniem. Wynikiem są zasadne estymaty niepewności, które nie są zniekształcone przez garść złych obserwacji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/pl/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.
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Regresja liniowa odpornaUczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
- Wytrzymały klasyfikator maszyny wektorów nośnychUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →