Gaussisk process
En Gaussisk process (GP) är en icke-parametrisk, fullständigt probabilistisk maskininlärningsmodell som placerar en fördelningssannolikhet (prior) direkt över funktioner. Istället för att förutsäga ett enskilt värde, returnerar den ett prediktivt medelvärde och en kalibrerad osäkerhetsuppskattning vid varje testpunkt, vilket gör den särskilt värdefull för regression på små till medelstora datamängder och för Bayesianska optimeringsuppgifter.
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.
+20 more
Källor
- Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
- Gaussian process. Wikipedia. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/sv/machine-learning/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 Gaussisk ProcessMaskininlärning↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →