标签为 gaussian processes 的文章

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 高级用法

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

高斯过程：HSGP 参考与第一步

希尔伯特空间高斯过程近似是一种低秩高斯过程近似方法，特别适合在像PyMC这样的概率编程语言中使用。它使用一组预先计算且固定的基函数来近似高斯过程，这些基函数不依赖于协方差核的形式或其超参数。这是一种参数化近似，因此在PyMC中可以通过pm.Data或pm.set_data像线性模型一样进行预测。您不需要定义非参数高斯过程依赖的.conditional分布。这使得将HSGP（而不是GP）集成到现有的PyMC模型中更加容易。此外，与其他许多高斯过程近似方法不同，HSGP可以在模型的任何地方使用，并且可以与任何似然函数一起使用。

阅读更多 ...

使用HSGPs进行婴儿出生建模

本笔记本提供了一个使用希尔伯特空间高斯过程（HSGP）技术的示例，该技术在[Solin 和 Särkkä, 2020]中引入，用于时间序列建模的背景下。该技术已被证明在加速具有高斯过程组件的模型方面非常成功。

阅读更多...

使用HSGPs进行婴儿出生建模

本笔记本提供了一个使用希尔伯特空间高斯过程（HSGP）技术的示例，该技术在[Solin 和 Särkkä, 2020]中引入，用于时间序列建模的背景下。该技术已被证明在加速具有高斯过程组件的模型方面非常成功。

阅读更多 ...

使用HSGPs进行婴儿出生建模

本笔记本提供了一个使用希尔伯特空间高斯过程（HSGP）技术的示例，该技术在[Solin 和 Särkkä, 2020]中引入，用于时间序列建模的背景下。该技术已被证明在加速具有高斯过程组件的模型方面非常成功。

阅读更多 ...

使用HSGPs进行婴儿出生建模

本笔记本提供了一个使用希尔伯特空间高斯过程（HSGP）技术的示例，该技术在[Solin 和 Särkkä, 2020]中引入，用于时间序列建模的背景下。该技术已被证明在加速具有高斯过程组件的模型方面非常成功。

阅读更多...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

高斯过程：潜在变量实现

The gp.Latent 类是高斯过程的直接实现，没有近似。给定均值和协方差函数，我们可以在函数 \(f(x)\) 上放置一个先验，

阅读更多 ...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多 ...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多 ...

边际似然实现

gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

阅读更多...