Mẫu dữ liệu Giả sử là . Ngoài ra, giả sử rằng chúng ta có hàm hiệp phương sai và không có nghĩa là không được chỉ định cho quy trình Gussian. Phân phối cho một điểm mới sẽ là Gaussian với trung bình và phương saiVector là một vectơ của hiệp phương sai , ma trậnD = ( X, y ) = { xTôi, yTôi= y( xTôi) }Ni = 1k ( x1, x2)x
m ( x ) = k K- 1y
V( x ) = k ( x , x ) - k K- 1kT.
k ={k( x , x1) , ... , k ( x , xN) }K= { k ( xTôi, xj) }Ni , j = 1là một ma trận của hiệp phương sai mẫu. Trong trường hợp chúng tôi đưa ra dự đoán bằng cách sử dụng giá trị trung bình của phân phối sau cho các thuộc tính
nội suy mẫu . Thực sự,
Nhưng, đó không phải là trường hợp nếu chúng ta sử dụng chính quy tức là kết hợp thuật ngữ tiếng ồn trắng. trong trường hợp này, ma trận hiệp phương sai cho mẫu có dạng , nhưng đối với hiệp phương sai có giá trị hàm thực, chúng ta có ma trận hiệp phương sai và trung bình sau là
Ngoài ra, chính quy hóa làm cho vấn đề tính toán ổn định hơn.
m ( X) = KK- 1y = y .
K+ σTôiKm ( X) = K( K+ σTôi)- 1y ≠ y .
Chọn phương sai tạp âm chúng ta có thể chọn nếu chúng ta muốn nội suy ( ) hoặc chúng ta muốn xử lý các quan sát nhiễu ( là lớn).σσ= 0σ
Ngoài ra, hồi quy quy trình Gaussian là phương pháp cục bộ vì phương sai của các dự đoán tăng theo khoảng cách với mẫu học tập, nhưng chúng ta có thể chọn hàm hiệp phương sai thích hợp và xử lý các vấn đề phức tạp hơn so với RBF. Một tài sản tốt đẹp là số lượng nhỏ các tham số. Thông thường nó bằng , trong đó là thứ nguyên dữ liệu.kÔ ( n )n