GPR(高斯过程回归)详细推导
一、综述
GPR来源于线性模型,有两种方式可以推导出GPR,一种是weight space view,另外一种是function space view。两者考察方式假设不同,关注的对象不同,但是最后导出的结果是相同的。其中,function view的推导方式更加简单,GPR最终的为了实现回归,即已知X,y,x*,求y*。最终的推导出的公式如下:
X,y是已知的数据,我们要求未知数据x*处的函数值,K是核函数。我们接下来会从weight space view和function space view两种方式推导出GPR。最后一部分是GPR的算法流程图。
参考资料:
1.《Gaussian Processes for Machine Learning》
4. python的GPy库和MATLAB中的ooDACE里面集成有GPR
二、weight space view(将w看作变量)
我们考虑下面一个问题:
这是一个线性模型,GPR的想法就是把w看做正态分布的随机变量,求出了w的分布,就知道了y的分布。这里的ε是噪声,在推导中是必须的。如果把
ε=0就是一个无噪的预测,考虑到ε的影响就是一个有噪声的预测。
整个推导分成三部分:
1.已知w的先验分布,通过更多的数据(X,y)求得w的后验分布
2.已知w的后验分布,就能求得f*的概率分布(可以简单地理解为用
来代替)
3.将f*概率分布中均值和方差写成核函数的形式,这个形式与function space