本文介绍了高斯过程回归GPR以及多任务高斯过程MTGP的原理,并且对几篇使用相关方法的论文进行了简述,最后附上对两种方法的编程实现。
所有内容的是从我自己的总结文档中截取的
不足之处,欢迎指正。
高斯过程回归
高斯过程以概率分布来表示函数输出的先验知识,并在泛函空间建立模型,基于数据间的相关性,构造协方差函数,通过Bayesian推理进行计算,与点秀的神经网络、支持向量机相比,高斯过程模型的优点是可调整参数少得多,能够把先验知识和观测数据结合的完美无缺,还能预先估计一些统计分布,获得模型预测输出的方差估计,从而很好地解释模型的置信水平,这也是优于神经网络和模糊系统建模的特色之处。类似于支持向量机使用的“核函数”技巧,GP模型的协方差函数可称之为核函数,它就是一种通用概率核学习机,对模型提供了实用性、原理性的解释。










5341



被折叠的 条评论
为什么被折叠?



