Czytam podręcznik Gaussa Process for Machine Learning autorstwa CE Rasmussena i CKI Williams i mam problem ze zrozumieniem, co oznacza podział na funkcje . W podręczniku podano przykład, że należy sobie wyobrazić funkcję jako bardzo długi wektor (czy w rzeczywistości powinien być nieskończenie długi?). Tak więc wyobrażam sobie rozkład funkcji jako rozkład prawdopodobieństwa narysowany „powyżej” takich wartości wektora. Czy byłoby zatem prawdopodobne, że funkcja przyjmie tę konkretną wartość? A może byłoby prawdopodobne, że funkcja przyjmie wartość z danego zakresu? A może rozkład funkcji jest prawdopodobieństwem przypisanym do całej funkcji?
Cytaty z podręcznika:
Rozdział 1: Wprowadzenie, strona 2
Proces Gaussa jest uogólnieniem rozkładu prawdopodobieństwa Gaussa. Podczas gdy rozkład prawdopodobieństwa opisuje zmienne losowe, które są skalarami lub wektorami (dla rozkładów wielowymiarowych), proces stochastyczny rządzi właściwościami funkcji. Pomijając wyrafinowanie matematyczne, można luźno myśleć o funkcji jako o bardzo długim wektorze, przy czym każdy wpis w wektorze określa wartość funkcji f (x) na określonym wejściu x. Okazuje się, że choć ten pomysł jest trochę naiwny, zaskakująco blisko jest tego, czego potrzebujemy. Rzeczywiście, pytanie o to, jak postępujemy obliczeniowo z tymi nieskończonymi obiektami wymiarowymi, ma najprzyjemniejszą możliwą do wyobrażenia rozdzielczość: jeśli zapytasz tylko o właściwości funkcji w skończonej liczbie punktów,
Rozdział 2: Regresja, strona 7
Istnieje kilka sposobów interpretacji modeli regresji procesu Gaussa (GP). Można myśleć o procesie Gaussa jako o zdefiniowaniu rozkładu funkcji i wnioskowanie zachodzące bezpośrednio w przestrzeni funkcji, widoku funkcji-przestrzeni.
Od wstępnego pytania:
Zrobiłem ten konceptualny obraz, aby spróbować to sobie wyobrazić. Nie jestem pewien, czy takie wyjaśnienie, które dla siebie przygotowałem, jest prawidłowe.
Po aktualizacji:
Po odpowiedzi Gijsa zaktualizowałem obraz, aby był bardziej koncepcyjnie mniej więcej taki: