Pertanyaan yang diberi tag «gaussian-process»

Proses Gaussian mengacu pada proses stokastik yang realisasinya terdiri dari variabel acak berdistribusi normal, dengan properti tambahan bahwa setiap koleksi terbatas dari variabel acak ini memiliki distribusi normal multivariat. Mesin proses Gaussian dapat digunakan dalam masalah regresi dan klasifikasi.

2
Matriks kovarians yang dikondisikan buruk dalam regresi GP untuk optimisasi Bayesian
Latar belakang dan masalah Saya menggunakan Proses Gaussian (GP) untuk regresi dan optimasi Bayesian berikutnya (BO). Untuk regresi saya menggunakan paket gpml untuk MATLAB dengan beberapa modifikasi custom-made, tetapi masalahnya umum. Adalah fakta yang diketahui bahwa ketika dua input pelatihan terlalu dekat dalam ruang input, matriks kovarians dapat menjadi tidak-pasti …

2
Turunan dari Proses Gaussian
Saya percaya bahwa turunan dari proses Gaussian (GP) adalah GP lain, dan jadi saya ingin tahu apakah ada persamaan bentuk tertutup untuk persamaan prediksi turunan dari GP? Secara khusus, saya menggunakan kernel kovarian eksponensial kuadrat (juga disebut Gaussian) dan ingin tahu tentang membuat prediksi tentang turunan dari proses Gaussian.

3
Keuntungan utama dari model proses Gaussian
Proses Gaussian telah banyak digunakan, terutama dalam persaingan. Diketahui bahwa permintaan komputasi tinggi ( ).0 ( n3)0(n3)0(n^3) Apa yang membuat mereka populer? Apa keunggulan utama dan tersembunyi mereka? Mengapa mereka digunakan sebagai pengganti model parametrik (oleh model parametrik maksud saya regresi linier khas di mana bentuk parametrik yang berbeda dapat …

2
Menggabungkan pengamatan dalam Proses Gaussian
Saya menggunakan proses Gaussian (GP) untuk regresi. Dalam masalah saya, cukup umum untuk dua atau lebih titik data saling berdekatan, relatif dengan panjangnya skala masalah. Juga, pengamatan bisa sangat bising. Untuk mempercepat perhitungan dan meningkatkan presisi pengukuran , tampaknya wajar untuk menggabungkan / mengintegrasikan kelompok titik yang dekat satu sama …

3
Mensimulasikan Ekskursi Brown menggunakan Jembatan Brown?
Saya ingin mensimulasikan proses tamasya Brown (gerakan Brown yang dikondisikan selalu positif ketika hingga pada t = 1 ). Karena proses tamasya Brown adalah jembatan Brown yang dikondisikan untuk selalu positif, saya berharap untuk mensimulasikan gerakan tamasya Brown menggunakan jembatan Brown.0<t<10<t<10 \lt t \lt 1000t=1t=1t=1 Dalam R, saya menggunakan paket …

2
Apakah harapan itu sama dengan harapan?
Saya melakukan ML di universitas saya, dan profesor menyebutkan istilah Ekspektasi (E), sementara dia mencoba menjelaskan kepada kami beberapa hal tentang proses Gaussian. Tetapi dari cara dia menjelaskannya, saya mengerti bahwa E sama dengan mean μ. Apakah saya mengerti benar? Jika sama, apakah Anda tahu mengapa kedua simbol digunakan? Saya …


2
Regresi Proses Gaussian Tambahan
Saya ingin menerapkan regresi proses gaussian tambahan menggunakan jendela geser di atas titik data yang tiba satu per satu melalui aliran. Biarkan menunjukkan dimensi ruang input. Jadi, setiap titik data memiliki jumlah elemen.dddxsayaxix_iddd Biarkan menjadi ukuran jendela geser.nnn Untuk membuat prediksi, saya perlu menghitung kebalikan dari matriks gram , di …






1
Keraguan tentang derivasi persamaan Regresi Proses Gaussian dalam makalah
Saya membaca pracetak makalah ini , dan saya mengalami kesulitan mengikuti derivasi mereka dari persamaan untuk Regresi Proses Gaussian. Mereka menggunakan pengaturan & notasi Rasmussen & Williams . Dengan demikian, aditif, mean-nol, stasioner, dan noise terdistribusi normal dengan varian σ2noiseσnoise2\sigma^2_{noise} diasumsikan: y=f(x)+ϵ,ϵ∼N(0,σ2noise)y=f(x)+ϵ,ϵ∼N(0,σnoise2)y=f(\mathbf{x})+\epsilon, \quad \epsilon\sim N(0,\sigma^2_{noise}) GP sebelum dengan nol rata-rata …

3
Masalah mainan regresi proses Gaussian
Saya mencoba mendapatkan intuisi untuk regresi Gaussian Process, jadi saya membuat masalah mainan 1D sederhana untuk dicoba. Saya mengambil sebagai input, dan sebagai tanggapan. ('Terinspirasi' dari )y i = { 1 , 4 , 9 } y = x 2xsaya= { 1 , 2 , 3 }xsaya={1,2,3}x_i=\{1,2,3\}ysaya= { 1 , …

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.