Ist es möglich, mit dem GPML-Code eine ungefähre vollständige Bayes'sche (1) Auswahl von Hyperparametern (z. B. Kovarianzskala) durchzuführen, anstatt die Grenzwahrscheinlichkeit zu maximieren (2)? Ich denke, die Verwendung von MCMC-Methoden zur Lösung der Integrale mit Hyperparametern sollte zu besseren Ergebnissen führen, wenn es um Überanpassung geht. Meines Wissens enthält das GPML-Framework diese Berechnungen nicht, aber möglicherweise gibt es Waren anderer Codes von Drittanbietern.
(1) Ziff. 5.2, Kap. 5 im Gaußschen Prozess für maschinelles Lernen, Rasmussen & Williams, 2006
Hast du von INLA gehört? Vielleicht ist es das, wonach Sie suchen.
—
Wahrscheinlichkeitslogik
Dies trägt nicht zu Ihrer Frage bei, aber haben Sie es geschafft, nützliche Arbeit in diesem Bereich zu finden, in dem Priors auf Längenskalen gesetzt werden? Ich hasse die Idee, die Längenskalen eines GP
—
Sachinruk
(+1) Gute Frage. Dies ist keine MCMC, aber es gibt Pakete von Drittanbietern, die bei Interesse eine teilweise Marginalisierung von Hyperparametern mit GPML über die Laplace-Approximation ermöglichen. Siehe diese Frage und verwandte Antworten.
—
Lacerbi