本文介绍了高斯过程回归（GPR）的概念，强调了核函数在其中的重要性。高斯过程作为随机过程，其协方差函数（如RBF、周期性、线性核）用于度量输入点的相似性。通过核函数，GPR能捕获数据的周期性特征并进行预测。文章还探讨了不同核函数的性质，如平稳性和非平稳性，并通过可视化展示了先验分布和后验分布如何影响函数的分布。最后，通过比较无噪声和有噪声数据集的预测区间，突显了GPR模型在不确定性量化方面的优势。
对于高斯过程，高斯指的是多元高斯分布，过程指的是随机过程。
我们都知道随机过程就是指函数的分布，那么多元高斯分布实际上应该是指无限元的高斯分布。
协方差函数也称为核函数，是高斯过程回归的重点。核函数的选取方式有很多，包括径向基函数（高斯核函数）、线性核函数、周期核函数等等。此处为不影响推导的连续性，各种核函数的具体讲解将在本文后续呈现。
”
注意，输出之间的协方差是输入的函数表示。对于这个特定的协方差函数，我们可以看到，在输入空间中，对应输入非常接近的变量之间的协方差几乎为单位，而随着它们在输入空间中的距离增加，协方差逐渐减小。
指定协方差函数意味着指定了函数的分布。为了理解这一点，我们可以从函数的分布中抽取样本，这些样本在任意数量的点上进行评估；具体而言，我们选择一些输入点
，然后使用式(12)逐个元素地计算对应的协方差矩阵。然后，我们使用该协方差矩阵
订阅专栏 解锁全文
1576
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
