Người ta thường nói rằng hồi quy quá trình gaussian tương ứng (GPR) với hồi quy tuyến tính bayes với một số lượng vô hạn (có thể) các hàm cơ sở. Tôi hiện đang cố gắng hiểu chi tiết điều này để có được trực giác về loại mô hình nào tôi có thể thể hiện bằng GPR.
- Bạn có nghĩ rằng đây là một cách tiếp cận tốt để cố gắng hiểu GPR?
Trong cuốn sách Các quy trình Gaussian cho Machine learning Rasmussen và Williams chỉ ra rằng tập hợp các quy trình gaussian được mô tả bởi hạt nhân bình phương lũy thừa tham số có thể được mô tả tương đương như hồi quy Bayes với niềm tin trướcw~N(0,σ 2 p tôi)trên trọng lượng và một số lượng vô hạn các hàm cơ bản của hình thứcφc(x;l)=exp(-(x-c)2
- Việc tham số hóa của một hạt nhân khác biệt luôn có thể được dịch thành tham số hóa của các hàm cơ sở trước và các hàm cơ sở hay có các hạt nhân khác nhau trong đó, ví dụ như số lượng các hàm cơ sở phụ thuộc vào cấu hình?
My tìm hiểu cho đến nay được rằng đối với một hàm k hạt nhân cố định (x, x ') Định lý Mercer của cho chúng ta biết có thể được diễn tả như k ( x , x ' ) = ∞ Σ i = 1 λ i φ i ( x ) φ i ( x ' ) nơi φ i là một chức năng hoặc vào số thực hoặc số phức. Do đó, đối với một nhân đã cho, mô hình hồi quy bayes tương ứng có trước w
Câu hỏi tiếp theo của tôi là về nghịch đảo của định lý mercers.
- Những tập hợp các hàm cơ sở dẫn đến hạt nhân hợp lệ?
Và phần mở rộng
- Những tập hợp các hàm cơ sở được tham số hóa dẫn đến các nhân khác biệt hợp lệ?