this is for holding javascript data
Pavel Erofeev edited GP.tex
over 9 years ago
Commit id: a40c3d00a4c215599c646ce669223d911a4920fe
deletions | additions
diff --git a/GP.tex b/GP.tex
index f556ad2..fdbffd3 100644
--- a/GP.tex
+++ b/GP.tex
...
$ y(\mathbf{x}) = f(\mathbf{x}) + \varepsilon(\mathbf{x})$,
where $\varepsilon(\mathbf{x})\sim\mathcal{N}(0, \tilde{\sigma}^2)$.
In that case observations $y(\mathbf{x})$ are generated by Gaussian Process with zero mean and covariance function $\mathrm{Cov}\left(y(\mathbf{x}), y(\mathbf{x}^\prime)\right) = k(\mathbf{x}, \mathbf{x}^\prime) + \tilde{\sigma}^2\delta(\mathbf{x}- \mathbf{x}^\prime)$, where $\delta(\mathbf{x})$ is a Dirac delta funciton.
Таким образом, функция апостериорного (для заданной обучающей выборки) среднего значения гауссовского процесса Thus, aposterior mean funciton of Gaussian Process $f(\mathbf{x})$
в точках контрольной выборки in the points of test set $X_*$
принимает вид: takes form:
\begin{equation}
\label{meanNoise}
\hat{f}(X_*) = K_* \bigl(K + \tilde{\sigma}^2 I\bigr)^{-1} Y,
\end{equation}
где where $I$
--- единичная матрица размера $N \t N$. -- identity matrix of size $(N \times N)$.
Заметим, что наличие в формуле (\ref{meanNoise}) дисперсии шума $\tilde{\sigma}^2$ фактически приводит к регуляризации, что позволяет улучшить обобщающую способность аппроксиматора.
При этом апостериорная ковариационная функция гауссовского процесса в точках контрольной выборки имеет вид