Gaussian process (高斯过程)

已于 2022-03-16 15:10:01 修改
阅读量1.8k 收藏
点赞数 3
分类专栏： ᕦ 机器学习 ᕤ 文章标签： 高斯过程 Gaussian
于 2022-01-05 14:18:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44785318/article/details/122322169
版权

通俗解释：

先想象一下高斯分布，例如二维中，它是一条钟型线。如果数据满足高斯分布，确实可以通过已知的数据点建立一条高斯分布线，来预测未知的点。

那么高斯过程，只是将高斯分布的均值和方差定值变成了函数形式，它也是已知点来预测未知点，例如在二维空间：每个x点都有一个纵向的高斯分布，那么预测的每个未知点变成了一个高斯分布。最终高斯过程形成了数以千计的若干个预测线，即下方红色区域，不再是单纯的一条线了。

公式：

已知初始点 X，通过新点X^* 来更新高斯过程：

截取论文中的定义：

高斯过程 Gaussian Process
sinat_37836116的博客
04-05 8005
一、什么是高斯过程   高斯过程是一种随机过程，即按时间或者空间索引的随机变量的集合。这个集合中的有限个随机变量构成多维高斯分布。高斯过程就是这个集合中所有随机变量(无限多个)的联合分布。 二、高斯分布 2.1 一元高斯分布   一元高斯分布的概率密度函数为： f(x)=1σ2πe−12(x−μσ)2(1) f(x) = \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{1}{2}(\frac{x-\mu}{\sigma})^2}\tag{1} f(x)=σ2π​1​e−21​(σx
Gaussian Process
Icekylin51256的博客
06-07 301
自学笔记
高斯过程回归（Gaussian Process Regression, GPR）
最新发布
weixin_48978047的博客
03-21 1061
假设观测数据为 {(xi,yi)}i=1n{(xi​,yi​)}i=1n​，其中 yi=f(xi)+ϵiyi​=f(xi​)+ϵi​，ϵiϵi​ 是高斯噪声（ϵi∼N(0,σn2)ϵi​∼N(0,σn2​)）。
万字总结复杂而奇妙的高斯过程！
lsxxx2011的专栏
07-09 2919
高斯过程的理论知识非参数方法的基本思想高斯过程的基本概念高斯过程的Python实现使用Numpy手动实现使用`Scikit-learn`实现高斯过程小结高斯过程GaussianProce...
Gaussian process for machine learning
08-27
Gaussian process for machine learning, by Carl Edward Rasmussen and Christopher K. I. Williams. 2006
一个例子贯穿Gaussian Process高斯过程入门和应用（附例程）
fwh1996的博客
07-16 4177
Gaussian Process高斯过程入门（通俗易懂简单粗暴）欢迎使用Markdown编辑器功能快捷e合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 我们对Markdown编辑器进行了一些功能拓展与语法支持
_Gaussian-process-regression_GPR_高斯过程回归_高斯回归_gaussianprocess_高斯过
08-16
高斯过程回归（Gaussian Process Regression，GPR）是一种非参数机器学习方法，它利用概率模型来估计数据的潜在函数关系。在高斯过程回归中，我们假设输入数据点是来自一个高斯过程的采样，这个过程定义了一个概率...
Gaussian process Regression（高斯过程回归）--- 论文实战
2201_75538245的博客
11-01 1582
这篇文章主要是让你快速了解 高斯过程回归 并基于自己的数据集进行回归预测。
matlab多元参数非线性回归模型代码-Multi-output-Gaussian-Process:多输出高斯过程
05-21
matlab多元参数非线性回归模型代码多输出高斯过程 多输出回归 在多输出回归（多目标，多变量或多响应回归）中，我们旨在预测多个实值输出变量。 一种简单的方法可能是使用单个输出回归模型的组合。 但是这种方法有...
高斯过程是什么？从视觉上理解机器学习中的高斯过程——Gaussian Process
一个苦逼研究僧的博客
10-30 4097
高斯过程Gaussian Process是什么？
关于高斯过程的介绍Introduction Of Gaussian Process
08-12
高斯过程Gaussian Process是近几年继SVM之后，兴起的在机器学习领域的又一个热点。这份是来自剑桥大学mackay教授的一篇关于Gaussian Process的概述文章。对有兴趣的应该会有帮助！
Gaussian Process(高斯过程) GPSS暑校笔记总计Ⅰ（英文版）——高斯过程介绍
CSDN
06-19 1147
What is Machine Learning? data+model⇒prediction \text{data} + \text{model} \rArr \text{prediction}data+model⇒prediction data\text{data}data : observations, could be actively or passively acquired (me...
20 高斯过程 Gaussian Process
cengjing12的博客
06-11 996
本小节我们将进入Gaussian Process 的学习。Gaussian 自然指的就是Gaussian Distribution，而Process 指的就是随机过程。在一维的 Gaussian Distribution 中我们可以令 p(x)=N(μ,σ2)p(x)=\mathcal{N}\left(\mu, \sigma^{2}\right)p(x)=N(μ,σ2) 。如果 对应到高维高斯分布的话，也就是 (Multivariate Gaussian Distribution) 也就是我们通常意义上说的
高斯过程（Gaussian Process）
lhaiq的专栏
08-22 1404
g
高斯过程
lijiankou的专栏
08-21 6643
高斯过程是定义在y上的高斯分布。高斯过程与核函数紧密相连，定义在y上的高斯分布正是通过核函数表示出来的。与线性回归相比，高斯过程没有建立y和x的直接关系，而是通过核函数的方式直接建立y之间的关系。在线性回归模型中，我们假设某个y的取值服从一个高斯分布，即y的均值是参数w的一个线性关系，和之间的关系通过w的协方差表现出来。如果给定一个先验,那么可以计算出y的协方差矩阵，如下：  (1)
高斯过程 Gaussian Processes for Machine Learning
AI天才研究院
08-11 998
大数据时代已经来临，互联网公司、科技公司、政府部门都在大量运用机器学习技术进行各种各样的分析。由于数据的复杂性、高维特征的存在以及非线性关系的难以捉摸等原因，传统机器学习模型往往在分类任务中表现不佳。而随着深度学习的兴起，近年来一些神经网络的提出，大大促进了机器学习的进步。然而深度学习面临着两个重要的问题：（1）优化目标设计困难；（2）数据量大导致计算资源过载。本文将介绍一下“高斯过程”(Gaussian Process)及其在机器学习中的应用，并阐述其优越性以及如何利用该方法解决现实问题。
【数理基础】Gaussian Process(GP)高斯过程与Gaussian Process Regression(GPR)高斯过程回归
weixin_60734652的博客
09-12 593
假设是一个连续域，对于中的每一个点，都有一个其对应的变量。如果我们任意选取一组点，都有对应变量的联合分布服从多维高斯分布（注意当只选取一个点时则服从一维高斯分布），那么就将称为一个高斯过程。由于是连续域，可以随机去任意多点，因此可以看做是在这个连续域上的无限维高斯分布。在实际采样时，我们无法采样无限多的点，因此假设我们每次采样的位置是注意每个点对应的是一个随机变量而不是一个具体的值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

萌新待开发

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值