আমি মনে করি স্পিকারের কী হচ্ছে আমি জানি। ব্যক্তিগতভাবে আমি তার / তার সাথে পুরোপুরি একমত নই, এবং এমন অনেক লোক আছে যারা নেই। তবে ন্যায়সঙ্গতভাবে, যারা এমনগুলিও করেন :) প্রথমত, দ্রষ্টব্য যে covariance ফাংশন (কার্নেল) নির্দিষ্ট করে বোঝায় ফাংশনগুলির উপর পূর্ব বিতরণ নির্দিষ্ট করে। কেবল কার্নেল পরিবর্তন করে, স্কুয়ার এক্সপেনসিয়াল কার্নেল দ্বারা উত্পাদিত খুব মসৃণ, অসীম স্বতন্ত্রভাবে পৃথকযোগ্য, গাউসিয়ান প্রক্রিয়াটির উপলব্ধি তীব্রভাবে পরিবর্তিত হয়
"স্পিকি" -তে, কোনও এক্সফেনশিয়াল কার্নেলের সাথে সম্পর্কিত (বা tern 1/2 সহ মাতৃ কার্নেল ) ননডেফেরেটিয়েবল ফাংশনν= 1 / 2
এটি দেখতে আরেকটি উপায় একটি পরীক্ষা বিন্দুতে ভবিষ্যদ্বাণীপূর্ণ গড় (গসিয়ান প্রক্রিয়া ভবিষ্যৎবাণী গড়, কন্ডিশনার প্রশিক্ষণের পয়েন্ট জিপি প্রাপ্ত) লিখতে হয় , একটি শূন্য গড় ফাংশন সহজ ক্ষেত্রে:এক্স*
Y*= কে। টি( কে+ + σ2আমি)- 1Y
যেখানে পরীক্ষা বিন্দু মধ্যে covariances বাহক এক্স * ও প্রশিক্ষণ পয়েন্ট এক্স 1 , ... , x এন , কে প্রশিক্ষণ পয়েন্ট সহভেদাংক ম্যাট্রিক্স, হয় σ গোলমাল শব্দ (ঠিক সেট σ = 0 যদি আপনার বক্তৃতা সম্পর্কিত শব্দবিহীন পূর্বাভাস, অর্থাত্ গাউসিয়ান প্রক্রিয়া অন্তরঙ্গকরণ এবং y = ( y 1 , … , y n )ট*এক্স*এক্স1, … , এক্সএনকেσσ= 0y =( y)1, … , Yএন)প্রশিক্ষণ সেটে পর্যবেক্ষণের ভেক্টর। আপনি দেখতে পাচ্ছেন, জিপি এর পূর্বের গড়টি শূন্য হলেও ভবিষ্যদ্বাণীমূলক গড়টি শূন্য নয়, এবং কার্নেলের উপর নির্ভর করে এবং প্রশিক্ষণের পয়েন্টগুলির উপর নির্ভর করে, এটি একটি খুব নমনীয় মডেল হতে পারে, অত্যন্ত শিখতে সক্ষম জটিল নিদর্শন।
আরও সাধারণভাবে, এটি কার্নেল যা জিপির সাধারণীকরণ বৈশিষ্ট্যগুলি সংজ্ঞায়িত করে। কিছু কার্নেলের সর্বজনীন আনুমানিক সম্পত্তি থাকে , যেমন, তারা পর্যাপ্ত প্রশিক্ষণ পয়েন্টের ভিত্তিতে কোনও কমপ্যাক্ট সাবসেটের যে কোনও ধ্রুবক ক্রিয়াকলাপটিকে অনুমান করতে সক্ষম নীতিগতভাবে সক্ষম।
তারপরে, কেন আপনার মধ্যকার ফাংশনটি সম্পর্কে মোটেও যত্ন নেওয়া উচিত? প্রথমত, একটি সরল গড় ফাংশন (একটি লিনিয়ার বা অরথোগোনাল বহুপদী এক) মডেলটিকে আরও ব্যাখ্যাযোগ্য করে তোলে এবং জিপি হিসাবে এই সুবিধাটি নমনীয় (এইভাবে জটিল) হিসাবে মডেলটির জন্য অবমূল্যায়ন করা উচিত নয়। দ্বিতীয়ত, কোনও উপায়ে শূন্যের অর্থ (বা যার মূল্যের জন্য ধ্রুবকটিও রয়েছে) জিপি জাতীয় ধরণের প্রশিক্ষণের ডেটা থেকে অনেক দূরে ভবিষ্যদ্বাণীকে ডুবিয়ে দেয়। অনেক নিশ্চল কার্নেলের (পর্যাবৃত্ত কার্নেলের ব্যতীত) যেমন আছে জন্য Dist ( এক্স আমি , এক্স * ) → ∞কে ( এক্সআমি- এক্স*) → 0Dist(xআমি,x*) → ∞। 0 এ এই রূপান্তরটি আশ্চর্যজনকভাবে ঘটতে পারে বিশেষত স্কোয়ার এক্সপেনসিয়াল কার্নেলের সাথে, এবং বিশেষত যখন একটি সংক্ষিপ্ত সম্পর্কের দৈর্ঘ্যের জন্য প্রশিক্ষণের সেটটি ভালভাবে ফিট করতে হয়। এভাবে শূন্য গড় ফাংশন সঙ্গে একটি জিপি সবসময় ভবিষ্যদ্বাণী করা হবে তাড়াতাড়ি আপনি ট্রেনিং সেট থেকে দূরে পেতে হিসাবে।Y*≈ 0
এখন, এটি আপনার অ্যাপ্লিকেশনটিতে অর্থবোধ করতে পারে: সর্বোপরি, মডেলটিকে প্রশিক্ষণের জন্য ব্যবহৃত ডেটার পয়েন্টগুলির সেট থেকে দূরে ভবিষ্যদ্বাণী করতে ডেটাচালিত মডেল ব্যবহার করা প্রায়শই খারাপ ধারণা। কেন এটি একটি খারাপ ধারণা হতে পারে তার অনেক আকর্ষণীয় এবং মজাদার উদাহরণের জন্য এখানে দেখুন । এই ক্ষেত্রে, শূন্য মানে জিপি, যা সর্বদা প্রশিক্ষণ সেট থেকে 0 দূরে রূপান্তরিত হয়, এটি একটি মডেলের তুলনায় নিরাপদ (যেমন উদাহরণস্বরূপ উচ্চ ডিগ্রি মাল্টিভারিয়েট অরথোগোনাল বহুবর্ষীয় মডেল), যা খুশি হয়ে উন্মত্তভাবে বড় ভবিষ্যদ্বাণীগুলি প্রকাশের সাথে সাথেই প্রকাশ করবে আপনি প্রশিক্ষণ ডেটা থেকে দূরে পেতে।
এক্স*