เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| กระบวนการเกาส์เซียน× | Bayesian Gaussian Process× | Random Forest× | |
|---|---|---|---|
| สาขาวิชา | การเรียนรู้ของเครื่อง | การเรียนรู้ของเครื่อง | การเรียนรู้ของเครื่อง |
| ตระกูล | Machine learning | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2006 (book); roots in Kriging, 1951) | 1978–2006 | 2001 |
| ผู้ริเริ่ม≠ | Rasmussen, C. E. & Williams, C. K. I. | O'Hagan, A.; Neal, R. M.; Rasmussen, C. E. & Williams, C. K. I. | Breiman, L. |
| ประเภท≠ | Probabilistic non-parametric model | Probabilistic kernel model | Ensemble (bagging of decision trees) |
| แหล่งต้นตำรับ≠ | Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9 | Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9 | Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI ↗ |
| ชื่อเรียกอื่น | GP, Gaussian Process Regression, GPR, Kriging | GP regression, GPR, Gaussian process model, GP classifier | Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble |
| ที่เกี่ยวข้อง≠ | 3 | 3 | 4 |
| สรุป≠ | A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks. | A Bayesian Gaussian Process (GP) places a probability distribution directly over functions, using a kernel to encode similarity between inputs. After observing data, Bayes' rule converts this prior into a posterior that yields not just point predictions but calibrated uncertainty estimates at every new input — making it one of the most principled probabilistic models in machine learning. | Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree. |
| ScholarGateชุดข้อมูล ↗ |
|
|
|