Tôi đang đọc một cuốn sách giáo khoa Quy trình Gaussian cho Machine Learning của CE Rasmussen và CKI Williams và tôi gặp một số khó khăn trong việc hiểu phân phối trên các chức năng có nghĩa là gì. Trong sách giáo khoa, một ví dụ được đưa ra, người ta nên tưởng tượng một hàm là một vectơ rất dài (trên thực tế, nó sẽ dài vô hạn?). Vì vậy, tôi tưởng tượng một phân phối trên các hàm là phân phối xác suất được vẽ "ở trên" các giá trị vectơ như vậy. Sau đó, nó sẽ là một xác suất mà một hàm sẽ lấy giá trị cụ thể này? Hoặc có khả năng là một hàm sẽ lấy một giá trị nằm trong một phạm vi nhất định không? Hoặc là phân phối trên các chức năng một xác suất được gán cho toàn bộ chức năng?
Trích dẫn từ sách giáo khoa:
Chương 1: Giới thiệu, trang 2
Một quá trình Gaussian là một khái quát của phân phối xác suất Gaussian. Trong khi phân phối xác suất mô tả các biến ngẫu nhiên là vô hướng hoặc vectơ (đối với phân phối đa biến), một quy trình ngẫu nhiên chi phối các thuộc tính của hàm. Bỏ sự tinh vi toán học sang một bên, người ta có thể lỏng lẻo nghĩ về một hàm như một vectơ rất dài, mỗi mục trong vectơ chỉ định giá trị hàm f (x) tại một đầu vào cụ thể x. Hóa ra, mặc dù ý tưởng này hơi ngây thơ, nhưng thật đáng ngạc nhiên là đóng những gì chúng ta cần. Thật vậy, câu hỏi về cách chúng ta xử lý tính toán với các đối tượng chiều vô hạn này có độ phân giải dễ chịu nhất có thể tưởng tượng: nếu bạn chỉ hỏi các thuộc tính của hàm tại một số điểm hữu hạn,
Chương 2: Hồi quy, trang 7
Có một số cách để giải thích các mô hình hồi quy quy trình Gaussian (GP). Người ta có thể nghĩ về một quá trình Gaussian khi xác định phân phối trên các hàm và suy luận diễn ra trực tiếp trong không gian của các hàm, khung nhìn không gian hàm.
Từ câu hỏi ban đầu:
Tôi đã thực hiện bức tranh khái niệm này để cố gắng hình dung điều này cho chính mình. Tôi không chắc chắn nếu lời giải thích như vậy mà tôi đưa ra cho chính mình là chính xác.
Sau khi cập nhật:
Sau câu trả lời của Gijs, tôi đã cập nhật bức tranh để có khái niệm giống như thế này: