Bayesiansk Gaussisk Process
En Bayesiansk Gaussisk Process (GP) placerar en sannolikhetsfördelning direkt över funktioner, med hjälp av en kärna för att koda likhet mellan indata. Efter att ha observerat data omvandlar Bayes sats denna prior till en posterior som ger inte bara punktprediktioner utan även kalibrerade osäkerhetsestimat vid varje nytt indata – vilket gör den till en av de mest principfasta probabilistiska modellerna inom maskininlärning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/sv/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 linjär regressionBayesiansk statistik↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Gaussisk processMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →