高斯过程回归的卖点之一是它不仅提供了预测的模型,而且还提供了预测的不确定性估计。然后,通常用数据拟合的曲线显示图片,并在其周围显示显示不确定性的阴影区域(例如,链接)。这个不确定的范围从数据点变得更厚,在数据点上缩小到零。
我的问题是:
这需要高斯过程吗?与几个最近的数据点之间的简单距离可以用来衡量预测的不确定性吗?因此,任何机器学习方法都可以被认为是概率方法吗?
我的意思是,我们离训练数据越近,我们的预测的不确定性就越小。相反,如果我们离训练数据很远,我们就不能确定我们的预测是准确的。
发布于 2022-07-04 16:11:57
这需要高斯过程吗?
不-在机器学习中有很多处理不确定性的方法。例如,高斯过程是参数化的。您还可以使用非参数方法,如核密度估计(KDE )。
与几个最近的数据点之间的简单距离可以用来衡量预测的不确定性吗?
是的-对于使用距离度量的模型。并不是所有的机器学习模型都使用距离度量。
因此,任何机器学习方法都可以被认为是概率方法吗?
不-有许多机器学习方法不是概率的。一个例子是决策树。
https://datascience.stackexchange.com/questions/112320
复制相似问题