this is for holding javascript data
Pavel Erofeev edited GP.tex
over 9 years ago
Commit id: dec3896fb32cc9690092540c3a81a5ab26271484
deletions | additions
diff --git a/GP.tex b/GP.tex
index 1875404..7881f6f 100644
--- a/GP.tex
+++ b/GP.tex
...
\end{equation}
where $I$ -- identity matrix of size $(N \times N)$.
Заметим, что наличие в формуле (\ref{meanNoise}) дисперсии шума Note, that noise variance $\tilde{\sigma}^2$
фактически приводит к регуляризации, что позволяет улучшить обобщающую способность аппроксиматора.
При этом апостериорная ковариационная функция гауссовского процесса в точках контрольной выборки имеет вид in (\ref{eq:mean_noise}) in fact leads to regularization and more generalization ability of the resulting regression. Wherein the aposteriori covariance function of Gaussian Process in the points of test set takes form:
\begin{equation}
\label{covarianceNoise}
\VV \label{eq:covariance_noise}
\mathrm{V} \bigl[X_*\bigr] = K(X_*, X_*) + \tilde{\sigma}^2 I_* - K_* \bigl(K + \tilde{\sigma}^2 I \bigr)^{-1} K_*^T,
\end{equation}
где where $K(X_*, X_*) = \bigl[k(\mathbf{x}_i, \mathbf{x}_j), i, j = 1, \dots,
N_*\bigr]$, N_*\bigr]$ and $I_*$
--- единичная матрица размера $N_* \t N_*$. -- identity matrix of size $(N_* \times N_*)$.
Дисперсии гауссовского процесса в точках контрольной выборки могут быть использованы как оценки ожидаемой ошибки аппроксимации в этих точках.
Заметим, что для этого нет необходимости вычислять по формуле (\ref{covarianceNoise}) всю матрицу $\VV \bigl[X_*\bigr]$, а достаточно вычислить только элементы ее главной диагонали, которые и являются искомыми дисперсиями.