Bayesiaanse interpretatie van kernelregularisatie
term_id: bayesian_interpretation_of_kernel_regularization
Category: training_techniques
Definition
Dit concept stelt dat het minimaliseren van een geregulariseerde risicofunctie met een specifieke kernel gelijkwaardig is aan het vinden van de Maximum A Posteriori (MAP)-schatting in een Bayesiaans kader. Specifiek gaat het hierbij om
Summary
Een theoretisch kader dat kernelmethoden zoals SVM’s koppelt aan Gaussian Processes onder een Bayesiaanse priorveronderstelling.
Key Concepts
- Gaussian Processes
- Maximum A Posteriori
- Regularisatie als prior
- Kernelmethoden
Use Cases
- Het begrijpen van de theoretische grondslagen van SVM’s
- Het toepassen van GP-technieken op kernelregressie
- Het afleiden van onzekerheidsramingen voor deterministische modellen