Gauss Süreci
Gaussian Process Regression and Classification · Ayrıca şöyle bilinir: GP, Gaussian Process Regression, GPR, Kriging
Bir Gauss Süreci (GS), fonksiyonlar üzerine doğrudan bir önsel dağılım yerleştiren parametrik olmayan, tam olasılıksal bir makine öğrenmesi modelidir. Tek bir değer tahmin etmek yerine, her test noktasında bir tahmin ortalaması ve kalibre edilmiş bir belirsizlik tahmini döndürür, bu da onu küçük ila orta ölçekli veri kümelerinde regresyon ve Bayes optimizasyon görevleri için özellikle değerli kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+20 tane daha
Ne zaman kullanılır
Gauss Süreçleri, belirsizlik ölçümünün önemli olduğu küçük ila orta ölçekli veri kümelerinde (birkaç bin satıra kadar) mükemmeldir — örneğin, bilimsel deneyler, mühendislik tasarımı veya pahalı simülasyonlar için vekil modelleme. Bayes optimizasyonu için tercih edilen yöntemdir. Yalnızca nokta tahminlerinden ziyade kalibre edilmiş tahmin aralıklarına ihtiyacınız olduğunda ve girdiler ile çıktılar arasındaki ilişkinin pürüzsüz olması beklendiğinde, GS'yi daha basit modeller yerine tercih edin. n yaklaşık 10.000 gözlemi aştığında, kesin çıkarım O(n^3) olarak ölçeklendiği ve yaklaşımlar olmadan hesaplama açısından imkansız hale geldiği için GS'den kaçının. GS ayrıca, dikkatlice ayarlanmış çekirdekler kullanılmadıkça, çok yüksek boyutlu girdi uzaylarında ve süreksiz veya yüksek derecede durağan olmayan fonksiyonlarda zorlanır.
Güçlü yönler & sınırlılıklar
- Nokta tahminlerine ek olarak kalibre edilmiş tahmin belirsizlik aralıkları döndürür.
- Son derece örnek-verimli — ağaç tabanlı modellerin aşırı uyum sağladığı küçük veri kümelerinde iyi performans gösterir.
- Çekirdek seçimi, pürüzsüzlük, periyodiklik veya ölçek hakkındaki alan bilgisini esnek bir şekilde kodlar.
- Hiperparametreler, marjinal olabilirlik yoluyla verilerden öğrenilir, bu da otomatik düzenlileştirme sağlar.
- Bayes optimizasyonu ve aktif öğrenme deneysel tasarımı için yerel çerçeve.
- Kesin çıkarım, zaman açısından O(n^3) ve bellek açısından O(n^2)'dir, bu da seyrek veya yaklaşık GS yöntemleri olmadan büyük n için pratik değildir.
- Çekirdek mesafelerindeki boyutluluk laneti nedeniyle çok yüksek boyutlu girdi uzaylarında performans düşer.
- Çekirdekleri seçmek ve birleştirmek alan bilgisi gerektirir; kötü seçilmiş bir çekirdek, kötü belirsizlik kalibrasyonuna yol açar.
- Sınıflandırma (GS sınıflandırıcıları), ek bir Laplace veya beklenti yayılımı yaklaşımı gerektirir, bu da karmaşıklığı artırır.
SSS
Hangi çekirdek ile başlamalıyım?
Karesel-üstel (RBF) çekirdek, sonsuz türevlenebilir, pürüzsüz fonksiyonlar ürettiği ve yorumlanabilir uzunluk ölçeği ve çıktı varyansı hiperparametrelerine sahip olduğu için varsayılan başlangıç noktasıdır. Fonksiyonun daha az pürüzsüz olmasını bekliyorsanız bir Matern çekirdeğine geçin veya mevsimsel veriler için periyodik bir bileşen ekleyin.
Veri kümem 50.000 satır. Hala GS kullanabilir miyim?
Bu ölçekte kesin GS çıkarımı imkansız olurdu. Eğitim maliyetini yaklaşık O(nm^2) seviyesine indiren seyrek GS yöntemlerini (örneğin, indüklenmiş noktalar / FITC) veya stokastik varyasyonel GS'yi düşünün, burada m indüklenmiş nokta sayısıdır (m << n). GPyTorch gibi kütüphaneler bunları verimli bir şekilde uygular.
GS, Bayes doğrusal regresyondan nasıl farklıdır?
Bayes doğrusal regresyon, sabit bir sonlu katsayı kümesi üzerine bir önsel yerleştirir; bu nedenle modelin esnekliği, seçilen taban fonksiyonlarıyla sınırlıdır. Bir GS, sonsuz boyutlu bir uzaydaki fonksiyonlar üzerine doğrudan bir önsel yerleştirir, bu nedenle etkili karmaşıklığı, taban genişletmelerini önceden belirtmenizi gerektirmeden verilere uyum sağlar.
Belirsizlik tahminleri gerçekten kalibre edilmiş mi?
Doğru model ve çekirdek altında, GS sonlu belirsizlikleri yapı gereği iyi kalibre edilmiştir. Pratikte, yanlış kalibrasyon çekirdek yanlış belirtilmesinden veya gürültü yapısının göz ardı edilmesinden kaynaklanır. Her zaman bir sonlu tahmin kontrolü yapın — güven aralıklarının kapsamıyla gözlemlenenlere karşı tahmin edilenleri çizin.
Gauss Süreçleri kategorik veya karma tip girdileri işleyebilir mi?
Standart GS çekirdekleri sürekli girdiler üzerinde çalışır. Kategorik girdiler özel çekirdekler (örneğin, Hamming mesafesi çekirdeği) veya kodlama gerektirir. Ağırlıklı olarak kategorik veya çok yüksek boyutlu karma veriler için, Rastgele Orman veya gradyan artırma gibi ağaç tabanlı modeller genellikle daha iyi bir başlangıç noktasıdır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/tr/machine-learning/gaussian-process
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır