kriging과 가우스 프로세스의 차이점과 관련된 혼란

kriging과 gaussian 프로세스의 차이점이 무엇인지 이해하는 데 어려움을 겪고 있습니다. 나는 위키가 그것들이 동일하지만 예측 공식이 너무 다르다고 말합니다.

나는 그들이 왜 비슷한 지 조금 혼란 스럽습니다. 설명?

gaussian-process

— 사용자
소스

보통의 크릭과 간단한 크릭 사이에는 약간의 미묘한 차이가 있습니다. GP 회귀는 일반적으로 표시되는 방식이 단순한 크릭과 유사합니다. 가우스 프로세스 Wikipedia 항목 에서이 기사는 명시 적으로 " 제로 측정 된 분포 " 를 나타냅니다 . 그것은 간단한 크 래깅에서 발견되는 것과 동일한 가정입니다.

또한 일반적 클리 깅은 일반적으로 2 개 또는 3 차원 공간에서 수행된다 (예. 어떤 주어진 영역을 따라 오염 농도) 가장 GPR 장난감 예는 일차원 (예. 반면 시간에 대한 대기 농도). $CO_2$

궁극적으로 kriging / GPR은 보간 기술이며, 그 변형들 사이의 차이의 대부분 (모두는 아님)은 평균 추세 (또는 이 표기법이 더 좋으면 E [ ] 에 대한 가정에 있습니다. $\mu(X)$ $X_t$

— usεr11852
소스

이것은 사실이 아닙니다. 종종 GP 문헌에서 일반성을 잃지 않고 평균 가정을 사용하지 않고 평균 구조를 커널에 추가한다는 것을 알 수 있습니다 (예 : 선형 커널 추가 등). GP는 피사체의 거의 모든 종이에서 볼 수 있듯이 확실히 한 차원에서만 사용되지는 않습니다. 1D 시나리오는 소개 텍스트의 직관 목적으로 만 사용됩니다. 실제로 대부분의 1D 사례에서 GP를 Kalman 필터로 인코딩하면 계산이 더 효율적입니다.

— j__

@j__ 귀하의 의견의 첫 부분 : 저는 부분적으로 동의하지만 불행히도 사람들이 종종 그것을 악용하는 경향이있는 용어 문제입니다. 나는 책에서 본 정식의 구별을 제시한다. 두 번째 부분 : 동의하지 않습니다. GPR 1D 사례의 여러 응용 사례를 보았습니다 (예 : FX 요율 모델링 , Phylogenetics 및 ODE 솔루션 -빠른 Google 검색). 일반적으로 통계적 틀 (계속)이라는 의견에 감사드립니다.

— usεr11852

다변량 설정에 적용될 때 자체적으로 제공되지만 1D 응용 프로그램을 신뢰할 수는 없습니다.

— usεr11852

글쎄, 난 당신이 어디에서 왔는지 봅니다. Kriging의 경우 2/3로 제한되는 대신 GP가 일반적인 N 차원 공간에서 작동하는 것이 더 일반적이라고 생각합니다. 특별한 경우는 1D 설정입니다. 그것은 우리가 동의 할 수있는 좋은 중도 일 것이다.;)

— j__

예, 1D 사례는 고유 한 경향이 있습니다 . (끔찍한 말장난)

— usεr11852

GP는 지형 통계에서 크릭으로 알려져 있습니다. 가우스 프로세스의 역사에 대해 알아 보려면이 비디오를 시청하십시오. http://youtu.be/4r463NLq0jU?t=26s

— 푸쉬카르
소스