Байесовская гребневая регрессия
Байесовская гребневая регрессия — это вероятностная формулировка гребневой регрессии, предложенная Дэвидом Дж. К. МакКеем в 1992 году, в которой сила регуляризации и точность шума не фиксируются аналитиком, а оцениваются автоматически путем максимизации маргинальной правдоподобности (свидетельства) наблюдаемых данных. Результатом является полное апостериорное распределение весов регрессии вместе с калиброванной неопределенностью прогноза.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- MacKay, D. J. C. (1992). Bayesian Interpolation. Neural Computation, 4(3), 415–447. DOI: 10.1162/neco.1992.4.3.415 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 3). Springer. ISBN: 978-0-387-31073-2
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Ridge Regression (MacKay Probabilistic Regularisation). ScholarGate. https://scholargate.app/ru/machine-learning/bayesian-ridge-regression
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.
- Эластичная сетьМашинное обучение↔ compare
- Регрессия ЛассоМашинное обучение↔ compare
- Гребневая регрессияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →