一、什么是高斯过程回归,他是用来干什么的
高斯过程回归是一种监督学习方法,我们可以将回归理解为拟合,比如:线性拟合,就是将一些数据拟合成一条直线。那么高斯过程回归就是将数据拟合成高斯过程,进而实现预测。
举个例子:我们在同一地点从上午八点开始,每隔一个小时采集一次气温,直至下午五点结束。那么我们可以用采集到的气温信息,拟合成高斯过程去预测一个小时之后的气温。
再举个例子:我们在同一时间内,在不同的地方采集气温,我们可以通过这些数据,拟合成高斯过程去预测当前时刻其他地方的气温。
值得注意的是!!!高斯过程不是简单的高斯分布。我们首先简单介绍一下高斯过程。
二、高斯过程
高斯过程是连续域(例如空间域和时间域)上无线多个点的联合高斯分布。
对于一维高斯分布,我们可以用该数据的均值和该数据的方差来表示,
对于二维高斯分布,我们可以用这两个数据的均值和他们之间的协方差矩阵来表示,,其中
,
为协方差矩阵。
对于连续域上无数个多维高斯分布(以空间域为例),我们用空间上的每个点的均值和这些点之间的协方差矩阵来表示这个无限维的高斯分布,即高斯过程。此时,均值和协方差矩阵就由原来的单个数字,变成了函数,即均值函数和协方差函数。
其中,表示第
个点的坐标,
为均值函数;
表示协方差函数。
因此,我们只需要均值函数和协方差矩阵函数即可确定一个高斯过程。并且一个高斯过程的有限维度的子集都服从一个多元高斯分布。
三、高斯过程回归
我们以空间域为例进行解释,假设空间中第i个点的坐标为,该点的数据输出为
,则高斯过程回归模型的表达式为:
其中表示噪声变量,服从
。在GPR中,我们假设
服从高斯过程,即:
1万+



被折叠的 条评论
为什么被折叠?



