Mam to zamieszanie związane z korzyściami procesów Gaussa. Mam na myśli porównanie z prostą regresją liniową, w której zdefiniowaliśmy, że funkcja liniowa modeluje dane.
Jednak w procesach gaussowskich definiujemy rozkład funkcji, co oznacza, że nie definiujemy konkretnie, że funkcja powinna być liniowa. Możemy zdefiniować przejęcie przed funkcją, które jest przejęciem Gaussa, który określa takie cechy, jak stopień gładkości powinien być i w ogóle.
Nie musimy więc wyraźnie określać, jaki powinien być model. Mam jednak pytania. Mamy marginalne prawdopodobieństwo i za jego pomocą możemy dostroić parametry funkcji kowariancji przeora gaussa. Jest to podobne do definiowania rodzaju funkcji, która powinna być, prawda?
Sprowadza się do tego samego, co definiuje parametry, mimo że w GP są hiperparametrami. Na przykład w tym artykule . Zdefiniowali, że średnia funkcja lekarza ogólnego jest podobna
Zdecydowanie więc model / funkcja jest zdefiniowana, prawda? Jaka jest różnica w definiowaniu funkcji liniowej, jak w LR.
Po prostu nie dostałem korzyści wynikających ze stosowania GP
źródło
źródło