this is for holding javascript data
Pavel Erofeev edited GP.tex
over 9 years ago
Commit id: ee940e6566840fb2f73616289585edb31d0e5eb3
deletions | additions
diff --git a/GP.tex b/GP.tex
index fdbffd3..890c5f0 100644
--- a/GP.tex
+++ b/GP.tex
...
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.
Thus, aposterior mean funciton of Gaussian Process $f(\mathbf{x})$ in the points of test set $X_*$ takes form:
\begin{equation}
\label{meanNoise}
\hat{f}(X_*) = K_*
\bigl(K \left(K + \tilde{\sigma}^2
I\bigr)^{-1} I\right)^{-1} Y,
\end{equation}
where $I$ -- 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