快速入门高斯过程(Gaussian process)回归预测

前言

这篇文章主要是教会你如何快速了解高斯过程进行回归预测的,并没有太多的公式推导,只有简单的相关的概念的介绍,如果您要自己掌握并使用高斯过程进行一个简单的预测,当然还需要进行一些基础知识的学习,我会在文章最后推荐一些博主有关高斯过程详细介绍的文章。

话不多说,首先我们看一下面这道题目。这里该不会有人不知道“回归”的意思吧,简单讲回归就是一种拟合,把孤立的东西联系起来,找到规律,这就叫回归。正如题目所示,我们知道了六个点的纵坐标,要预测第七个点的纵坐标。我想很多人都知道线性回归的吧,也就是用y=kx+b来代表整个数据点的趋势,虽然数据点不能完全在这直线上,但是也可以通过这个表达式预测出第七个点(x=0.2)的纵坐标。但是记住,本篇文章是高斯过程回归预测呀!!!也就是我们要用高斯过程来进行回归并预测。接下来介绍一些基础的概率论的知识~
高斯过程回归预测题目我们看到一维高斯分布(正态分布)的概率密度函数决定因素有两个:均值μ\mu 和方差 (标准差)σ\sigma 。因此我们可以得到一个结论:一个均值和一个方差可以确定一个一维的高斯分布!!!!
一维高斯分布(正态分布)我们再看下面一幅图,这是二维高斯分布的概率密度函数,我们将这幅图分别从XOZ和YOZ两个方向看,我们可以看到两个方向得到的截面完全遵循一维高斯分布,那么动动小脑瓜想想,有两个一维高斯分布是不是需要两个均值和方差来确定,那么也就是说,两个均值和两个方差可以确定一个二维高斯分布,不妨把这个假设扩展到n维。
二维高斯分布概率密度函数从下图我们看出关于n维高斯分布的表达式,和一维高斯分布进行对比你们能更好理解了吧~

    THE END
    喜欢就支持一下吧
    点赞9 分享
    评论 抢沙发
    头像
    欢迎您留下宝贵的见解!
    提交
    头像

    昵称

    取消
    昵称表情代码图片

      暂无评论内容