Gaussian Process Regression
本节我们来讲解一下高斯过程回归,这是一个比较难的知识,因此只要理解思想即可,具体细节推导不做要求。对于线性回归,我们假设所要回归的模型是一个线性模型,希望求出这个线性模型的参数;对于高斯过程回归,我们假设所要回归的模型是一个高斯过程模型,希望求出这个高斯过程模型的参数——均值函数和协方差函数。
Multi-Variable Gaussian Distribution
首先,我们来介绍一个预备知识:多元高斯分布。
假设随机变量x∈Rnx\in{R^n}x∈Rn服从均值为μ\muμ,协方差矩阵为Σ\SigmaΣ的多元高斯分布,那么p(x∣μ,Σ)=1(2π)n/2∣Σ∣1/2exp(−12(x−μ)TΣ−1(x−μ))p(x|\mu,\Sigma)=\frac{1}{(2\pi)^{n/2}|{\Sigma}|^{1/2}}exp(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))p(x∣μ,Σ)=(2π)n/2∣Σ∣1/21exp(−21(x−μ)TΣ−1(x−μ))。
它有如下的性质:
首先假设x=[xA,xB]T,μ=[μA,μB]T,Σ=[ΣaaΣabΣbaΣbb]x=[x_A, x_B]^T,\mu=[\mu_A, \mu_B]^T,\Sigma=\left[\begin{matrix}\Sigma_{aa} & \Sigma_{ab} \\ \Sigma_{ba} & \Sigma_{bb} \end{matrix}\right]x=[xA,xB]T,μ=[μA,μB]T,Σ=[ΣaaΣbaΣabΣbb], 那么:
- ∫xp(x∣μ, ∑)=1\int_xp(x|\mu,\ \sum)=1∫x
1万+



被折叠的 条评论
为什么被折叠?



