আমি এ কথাটি বলেই উপস্থাপন করব যে "ননপ্যারমেট্রিক" বা "সেমিপ্রেমেট্রিক" এর অর্থ কী তা সবসময় পরিষ্কার হয় না মন্তব্যগুলিতে মনে হয় হুইপারের মনে কিছু আনুষ্ঠানিক সংজ্ঞা রয়েছে (সম্ভবত কোনও মডেল বেছে নেওয়ার মতো কিছু) θ কিছু পরিবার থেকে { এম θ : θ ∈ Θ } যেখানে Θ অসীম ডাইমেনশনাল), কিন্তু আমি চমত্কার অনানুষ্ঠানিক হতে যাচ্ছি। কিছু তর্ক করতে পারে যে একটি ননপ্যারামেট্রিক পদ্ধতি হ'ল এমন একটি যেখানে আপনি ব্যবহার করছেন প্যারামিটারগুলির কার্যকর সংখ্যা ডেটা সহ বৃদ্ধি পায়। আমার মনে হয় ভিডিওলেকচার.টনে একটি ভিডিও রয়েছে যেখানে (আমার মনে হয়) পিটার ওরবানজ কীভাবে "ননপ্যারামেট্রিক" সংজ্ঞা দিতে পারি তার চার বা পাঁচটি আলাদা আলাদা দেয়।এমθ। এমθ: θ ∈ Θ }Θ
যেহেতু আমি মনে করি আপনার মনে কী ধরণের জিনিস রয়েছে তা আমি জানি, সরলতার জন্য আমি ধরে নেব যে আপনি গাউসিয়ান প্রক্রিয়াগুলি রিগ্রেশন করার জন্য, একটি সাধারণ উপায়ে ব্যবহার করার বিষয়ে কথা বলছেন: আমাদের প্রশিক্ষণের ডেটা রয়েছে এবং আমরা শর্তসাপেক্ষে E ( Y | X = x ) : = f ( x ) মডেলিং করতে আগ্রহী । আমরা Y i = f ( এক্স i ) লিখি
( ওয়াইআমি, এক্সআমি) , আমি = 1 , । । । , এনই( ওয়াই| এক্স= এক্স ) : = চ( এক্স )
এবং সম্ভবত আমরা এতটা সাহসী যে ধরে নেওয়া যায় যে ϵ i iid এবং সাধারণত বিতরণ করা হয়, ϵ i ∼ N ( 0 , σ 2 ) । এক্স আমি এক মাত্রিক হব, তবে সবকিছুই উচ্চ মাত্রায় বহন করে।
ওয়াইআমি= চ( এক্সআমি) + + Εআমি
εআমিεআমি। এন( 0 , σ)2)এক্সআমি
আমাদের যদি একটি কন্টিনাম তারপর মান গ্রহণ করতে পারেন চ ( ⋅ ) (uncountably) অসীম মাত্রা একটি প্যারামিটার হিসাবে ভাবা যেতে পারে। সুতরাং, যে অর্থে আমরা অসীম মাত্রার একটি পরামিতি অনুমান করছি , আমাদের সমস্যাটি একটি ননপ্যারমেট্রিক। এটি সত্য যে বয়েসীয় পদ্ধতির কিছু পরামিতি এখানে এবং সেখানে প্রায় ভাসমান। তবে সত্যই, একে ননপ্যারামেট্রিক বলা হয় কারণ আমরা অসীম মাত্রার কিছু অনুমান করছি। আমরা যে জিপি প্রিয়ারগুলি ব্যবহার করি তারা প্রতিটি ক্রমাগত ফাংশনের প্রতিটি পাড়ায় ভর বরাদ্দ করে, যাতে তারা যেকোন ক্রমাগত ফাংশনটি নির্বিচারে ভাল করে অনুমান করতে পারে।এক্সআমিচ( ⋅ )
কোভেরিয়েন্স ফাংশনটির জিনিসগুলি সাধারণ ঘনত্ববাদী অনুমানকারীগুলিতে স্মুথিং প্যারামিটারগুলির মতো একই ভূমিকা পালন করে - সমস্যাটি পুরোপুরি হতাশ না হওয়ার জন্য আমাদের ধরে নিতে হবে যে এমন কিছু কাঠামো রয়েছে যা আমরা প্রদর্শনের আশা করি । গাউসিয়ান প্রক্রিয়া আকারে অবিচ্ছিন্ন ক্রিয়াগুলির জায়গাগুলির পূর্বের ব্যবহার করে বায়েশিয়ানরা এটি সম্পাদন করে। একটি Bayesian দৃষ্টিকোণ থেকে, আমরা যে বিষয়ে বিশ্বাস এনকোডিং হয় চ অভিমানী দ্বারা চ যেমন-এবং-যেমন সহভেদাংক ফাংশন সঙ্গে একটি জিপি থেকে টানা হয়। পূর্ববর্তী কার্যকরভাবে খুব জটিল হওয়ার জন্য চ এর অনুমানকে শাস্তি দেয় ।চচচচ
গণনামূলক সমস্যাগুলির জন্য সম্পাদনা করুন
এই জিনিসগুলির বেশিরভাগ (সমস্ত?) রাসমুসেন এবং উইলিয়ামসের গাউসী প্রক্রিয়া বইটিতে রয়েছে।
গণিত সংক্রান্ত সমস্যাগুলি জিপিদের জন্য জটিল। আমরা যদি নিবিড়ভাবে এগিয়ে চলি তবে কেবল ওভারটিভ করার জন্য আমাদের আকারের মেমরির দরকার হবে এটি উল্টানোর জন্য ও ( এন 3 ) ক্রিয়াকলাপটি (এটি দেখা যাচ্ছে) । জিনিসগুলিকে আরও সম্ভাব্য করে তুলতে আমরা কয়েকটি জিনিস করতে পারি। একটি বিকল্প হ'ল সেই লোকটির নোট করা যা আমাদের সত্যই প্রয়োজন v , এর সমাধান ( K + σ 2 I ) v = Y যেখানে কে কোভেরিয়েন্স ম্যাট্রিক্স। কনজুগেট গ্রেডিয়েন্টগুলির পদ্ধতি এটিকে ঠিক ও ( এন 3 ) এ সমাধান করেও ( এন)2)ও ( এন)3)বনাম( কে+ + σ2আমি) v = Yকেও ( এন)3)গণনা, তবে আমরা যদি আনুমানিক সমাধানের সাথে নিজেকে সন্তুষ্ট করি আমরা পদক্ষেপের পরে কনজুগেট গ্রেডিয়েন্ট অ্যালগরিদমকে শেষ করতে পারি এবং এটি ও ( কে এন 2 ) গণনাগুলিতে করতে পারি। আমাদের অগত্যা পুরো ম্যাট্রিক্স কে একবারে সঞ্চয় করার দরকার নেই ।টও ( কে এন)2)কে
ও ( এন)3)ও ( কে এন)2)এনমিমি × মিওয়াইএনমিও ( মি।)2এন)
কেকে= প্রশ্ন প্রশ্নটিপ্রশ্নঃn × qকুইকে+ + σ2আমিপ্রশ্নঃটিপ্রশ্নঃ + + σ2আমি