高斯过程分类原理
2015-12-18 09:59
246 查看
高斯过程原理:
连续型变量中最普遍的分布就是高斯分布,即正态分布,也是学习和生活中接触最广的分布。一元
高斯分布由均值 和方差 2 两个参数所确定。其概率密度形如:
多元高斯分布由均值向量 E x ( ) 和协方差矩阵cov( ) x 所确定,协方差矩阵式对称且正定,其概率
密度形如:
高斯过程是随机变量的集合,假设输入为X={x1.x2.x3.x4,,,,},则对应的输出随机变量函数为f={f1,f2,f3,f4,.....}.在任一时刻观察这个随机过程,
概率分布均服从联合高斯分布,就是高斯过程,高斯过程由均值函数m(X)和协方差矩阵k(x,x1)组成。
二分类问题:
二分类问题的基本思想是通过确定一个合适的映射函数f(X),使之能够对测试样本x进行预测,GPC模型在解决二分类问题时,首先假设F(x)是一个高斯过程,然后通过贝叶斯原理获得合适的f(X)。
高斯过程模型用于分类的实现思想:
假设n个学习样本集,S{(x,y)|y=+-1,i=1,2,3,...n},类标签y是独立同分布,条件概率p(y|f)。在二分类问题中,样本x属于类标签y的概率可以表示成:
我们可以得到似然函数:
高斯过程分类就是对f(X)施加均值为0,协方差为K的高斯分布先验,即:f(x)~~GP(0,K),则p(f|x)是一个多维高斯密度函数:
贝叶斯公式可得到后验概率:
这个问题的解是:
连续型变量中最普遍的分布就是高斯分布,即正态分布,也是学习和生活中接触最广的分布。一元
高斯分布由均值 和方差 2 两个参数所确定。其概率密度形如:
多元高斯分布由均值向量 E x ( ) 和协方差矩阵cov( ) x 所确定,协方差矩阵式对称且正定,其概率
密度形如:
高斯过程是随机变量的集合,假设输入为X={x1.x2.x3.x4,,,,},则对应的输出随机变量函数为f={f1,f2,f3,f4,.....}.在任一时刻观察这个随机过程,
概率分布均服从联合高斯分布,就是高斯过程,高斯过程由均值函数m(X)和协方差矩阵k(x,x1)组成。
二分类问题:
二分类问题的基本思想是通过确定一个合适的映射函数f(X),使之能够对测试样本x进行预测,GPC模型在解决二分类问题时,首先假设F(x)是一个高斯过程,然后通过贝叶斯原理获得合适的f(X)。
高斯过程模型用于分类的实现思想:
假设n个学习样本集,S{(x,y)|y=+-1,i=1,2,3,...n},类标签y是独立同分布,条件概率p(y|f)。在二分类问题中,样本x属于类标签y的概率可以表示成:
我们可以得到似然函数:
高斯过程分类就是对f(X)施加均值为0,协方差为K的高斯分布先验,即:f(x)~~GP(0,K),则p(f|x)是一个多维高斯密度函数:
贝叶斯公式可得到后验概率:
这个问题的解是:
相关文章推荐
- Linux下制作ubuntu系统的u盘启动版LiveCD和直接硬盘启动LiveCD
- 安卓分享
- Arrays.asList java.lang.UnsupportedOperationException 异常
- iOS学习路线 iOS框架图 UI框架
- Linear Regression with Multiple Variables
- Todd.log - a place to keep my thoughts on programming
- 10句名言
- Symmetric Tree leetcode java
- GATT协议介绍
- jquery控制导航定位,浮动窗跟随网页变化
- leetcode刷题日记——Lowest Common Ancestor of a Binary Search Tree
- Java之—— SSH整合常见错误
- Android之ListView实现图文信息混排(客户端)(二)
- iOS 跳转到AppStore 详情页 评论页
- 在vs2013中引用boost库
- HDFS分布式文件系统资源管理器开发总结
- log4j在框架中的使用
- problem parm crash 照相机的问题
- 实习过程学习(4):java跨项目访问
- spring aop 错误解决无法查询到internalAutoProxyCreator