CE Rasmussen과 CKI Williams의 기계 학습 을 위한 가우시안 프로세스 교과서를 읽고 있는데, 함수 분포 가 무엇을 의미 하는지 이해하는 데 어려움이 있습니다. 교과서에는 함수가 매우 긴 벡터 (사실, 무한히 길어야 하는가)로 상상해야한다는 예가 제시되어 있습니다. 함수에 대한 분포는 이러한 벡터 값의 "위"에 그려진 확률 분포라고 생각합니다. 그러면 함수가이 특정 값을 취할 확률일까요? 아니면 함수가 주어진 범위에있는 값을 가질 가능성이 있습니까? 아니면 함수에 대한 분포가 전체 함수에 할당 된 확률입니까?
교과서에서 인용 :
1 장 : 소개, 2 페이지
가우시안 프로세스는 가우시안 확률 분포의 일반화입니다. 확률 분포는 스칼라 또는 벡터 (다변량 분포의 경우) 인 랜덤 변수를 설명하지만 확률 적 프로세스는 함수의 속성을 제어합니다. 수학적 정교함을 제쳐두고, 함수를 매우 긴 벡터로 느슨하게 생각할 수 있습니다. 벡터의 각 항목은 특정 입력 x에서 함수 값 f (x)를 지정합니다. 이 아이디어는 다소 순진하지만, 우리가 필요로하는 것에 놀라 울 정도로 가깝다는 것이 밝혀졌습니다. 실제로, 우리가 이러한 무한 치수 객체를 계산하는 방법에 대한 질문은 상상할 수있는 가장 즐거운 해상도를 가지고 있습니다. 유한 한 수의 포인트에서 함수의 속성 만 요구한다면,
2 장 : 회귀, 7 페이지
GP (가우시안 프로세스) 회귀 모델을 해석하는 방법에는 여러 가지가 있습니다. 가우시안 프로세스는 함수에 대한 분포 를 정의하고 함수 의 공간, 함수 공간 뷰에서 직접 발생하는 추론을 생각할 수 있습니다.
초기 질문에서 :
나는 이것을 개념적으로 보여주기 위해이 개념적 그림을 만들었습니다. 내가 직접 설명한 내용이 정확한지 잘 모르겠습니다.
업데이트 후 :
Gijs 의 답변 후 그림을 개념적으로 다음과 같이 업데이트했습니다.