this is for holding javascript data
Pavel Erofeev edited GP.tex
over 9 years ago
Commit id: 5737d16a52c9919c5f2e06811a8038bd0a414e2d
deletions | additions
diff --git a/GP.tex b/GP.tex
index 27c8817..f556ad2 100644
--- a/GP.tex
+++ b/GP.tex
...
If the mean function is set to zero, i.e. $\mu(\mathbf{x}) = \mathrm{E}\left[f\left(\mathbf{x}\right)\right] = 0$, and covariance function is assumed to be known, aposterior mean value of the Gaussian Process in the test set $X_*$ has form
\cite{Rasmussen} $\hat{f}(X_*) = K_* K^{-1} Y$, where $K_* = K(X_*, X) = \left[k(\mathbf{x}_i, \mathbf{x}_j), i = \overline{1, N_*}, j = \overline{1,N}\right]$ and $K = K(X, X) = \left[k(\mathbf{x}_i, \mathbf{x}_j), i, j = \overline{1, N}\right]$.
Если положить функцию среднего нулевой $m(\mathbf{x}) = \mathrm{E}[f(\mathbf{x})] = 0$, а ковариационную функцию считать известной, то функция апостериорного (для заданной обучающей выборки) среднего значения гауссовского процесса в точках контрольной выборки $X_*$ имеет вид \cite{Rasmussen} $\hat{f}(X_*) = K_* K^{-1} Y$, где $K_* = K(X_*, X) = \bigl[k(\mathbf{x}_i, \mathbf{x}_j), i = \overline{1, N_*}, j = \overline{1,N}\bigr], K = K(X, X) = \bigl[k(\mathbf{x}_i, \mathbf{x}_j), i, j = \overline{1, N}\bigr]$.
Обычно предполагается, что данные наблюдаются с шумом: It is generally assumed that the data is obsereved with random noise:
$ y(\mathbf{x}) = f(\mathbf{x}) + \varepsilon(\mathbf{x})$,
где where $\varepsilon(\mathbf{x})\sim\mathcal{N}(0,
\tilde{\sigma}^2)$ --- белый шум.
В таком случае наблюдения \tilde{\sigma}^2)$.
In that case observations $y(\mathbf{x})$
являются реализацией гауссовского процесса с нулевым средним и ковариационной функцией $cov(y(\mathbf{x}), y(\mathbf{x}')) are generated by Gaussian Process with zero mean and covariance function $\mathrm{Cov}\left(y(\mathbf{x}), y(\mathbf{x}^\prime)\right) = k(\mathbf{x},
\mathbf{x}') \mathbf{x}^\prime) + \tilde{\sigma}^2\delta(\mathbf{x}-
\mathbf{x}')$, где \mathbf{x}^\prime)$, where $\delta(\mathbf{x})$
--- дельта-функция. is a Dirac delta funciton.
Таким образом, функция апостериорного (для заданной обучающей выборки) среднего значения гауссовского процесса $f(\mathbf{x})$ в точках контрольной выборки $X_*$ принимает вид:
\begin{equation}
\label{meanNoise}