Saya membaca buku GPML dan dalam Bab 2 (halaman 15) , buku ini menceritakan cara melakukan regresi menggunakan Proses Gaussian (GP), tetapi saya mengalami kesulitan mencari cara kerjanya.
Dalam inferensi Bayesian untuk model parametrik, pertama-tama kita memilih prior pada parameter model , itu adalah ; kedua, diberikan data pelatihan, kami menghitung kemungkinannya ; dan akhirnya kami memiliki posterior sebagai , yang akan digunakan dalam distribusi prediktif
Nah, seperti yang dikatakan dalam buku ini, GP adalah non-parametrik, dan sejauh yang saya mengerti, setelah menentukan fungsi rata - rata dan fungsi kovarians , kami memiliki fungsi GP over ,
NAMUN, bukan itu yang dilakukan buku! Maksud saya, setelah menentukan sebelumnya, itu tidak menghitung kemungkinan dan posterior, tetapi langsung saja ke prediksi prediktif.
Pertanyaan:
1) Mengapa tidak menghitung kemungkinan dan posterior? Hanya karena GP non-parametrik, jadi kami tidak melakukannya?
2) Seperti yang dilakukan dalam buku ini (halaman 15 ~ 16), ia memperoleh distribusi prediktif melalui distribusi gabungan dari kumpulan data pelatihan dan menguji kumpulan data , yang disebut sebagai joint prior . Baiklah, ini membingungkan saya, mengapa menggabungkan mereka bersama?
3) Saya melihat beberapa artikel menelepon yang laten variabel, mengapa?
sumber
Jawaban:
Buku ini menggunakan rata-rata model Bayesian, yang sama untuk model parametrik atau metode Bayesian lainnya, mengingat Anda memiliki posterior di atas parameter Anda.
Tidak perlu 'bebas noise'. Lihat halaman selanjutnya.
Lihat ini: https://people.cs.umass.edu/~wallach/talks/gp_intro.pdf
Saya percaya, di halaman 17 kita memiliki kemungkinan sebelumnya, dan kemudian. Saya percaya jika Anda menulis derivasi, dan menemukan posterior, dan kemudian rata-rata di atas posterior untuk prediksi (seperti dalam tampilan bobot-ruang) itu akan menghasilkan persamaan yang sama seperti pada halaman 19 untuk mean dan kovarians.
sumber