Gauss süreç regresyonunun (GPR), (muhtemelen) sonsuz miktarda temel fonksiyon ile bayes lineer regresyonuna karşılık geldiği söylenir. Şu anda GPR kullanarak ne tür modeller ifade edebileceğime dair bir sezgi almak için bunu ayrıntılı olarak anlamaya çalışıyorum.
- Bunun GPR'yi anlamaya çalışmak için iyi bir yaklaşım olduğunu düşünüyor musunuz?
Makine öğrenimi için Gauss Süreçleri kitabında Rasmussen ve Williams, parametrelenmiş üstel kare çekirdek eşdeğer olarak bayiler regresyon olarak tanımlanabilir. Daha önce ve önceden sonsuz sayıda temel fonksiyon formu Bu durumda, çekirdek parametreleme ile tam olarak bir parametreleme çevrilmiş olabilir fonksiyonlar.
- Farklılaştırılabilir bir çekirdeğin parametrelendirilmesi her zaman önceki ve temel fonksiyonların parametrelendirilmesine çevrilebilir mi veya örneğin, baz fonksiyonların sayısının yapılandırmaya bağlı olduğu farklılaştırılabilir çekirdekler var mı?
Şimdiye kadar anladığım kadarıyla, sabit bir çekirdek işlevi k (x, x ') için Mercer'in Teoremi bize olarak ifade edilebileceğini söyler burada ya gerçeklere ya da karmaşık sayılara bir fonksiyondur. Bu nedenle, belirli bir çekirdek için karşılık gelen bayes regresyon modelinin önceden ve temel işlevleri . Böylece, her GP daha önce köşegen olan bayes lineer regresyon modeli olarak formüle edilebilir. Ancak şimdi her yapılandırma için Mercers teoremini kullanmak durumunda Parametrelenmiş çekirdek her noktasında türevli olduğunu
Bir sonraki sorum merser teoreminin tersi hakkında.
- Hangi temel fonksiyon setleri geçerli çekirdeğe yol açar?
Ve uzantı
- Hangi parametreli temel fonksiyon setleri geçerli farklılaştırılabilir çekirdeklere yol açar?