Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Байєсівська регресія× | Гаусівський процес× | |
|---|---|---|
| Галузь≠ | Баєсові методи | Машинне навчання |
| Родина≠ | Bayesian methods | Machine learning |
| Рік появи≠ | — | 2006 (book); roots in Kriging, 1951) |
| Автор методу≠ | — | Rasmussen, C. E. & Williams, C. K. I. |
| Тип≠ | Bayesian linear model | Probabilistic non-parametric model |
| Основоположне джерело≠ | Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955 | Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9 |
| Інші назви≠ | bayesian linear regression, probabilistic regression, bayesian regresyon | GP, Gaussian Process Regression, GPR, Kriging |
| Пов'язані≠ | 2 | 3 |
| Підсумок≠ | Bayesian regression is a probabilistic version of linear regression that treats the model parameters as uncertain quantities. Instead of returning a single best-fit estimate, it combines prior knowledge with the observed data to produce a full posterior probability distribution for each parameter, from which credible intervals and predictions are read off. | 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. |
| ScholarGateНабір даних ↗ |
|
|