発売日: 2019/03/09. メディア: 単行本（ソフトカバー） 学習データ（赤点）は見事に再現できていますね! そして問題となる外挿領域（青線）ですが、2つ目の山を越えたあたりから全く予測できていません。 また学習点がないことから信頼区間も大幅に広い範囲になっています。 [0, 2pi]の範囲で学習できたからと言って永遠に波打つわけではないのですね。 これは面白い。 GPによるガウス過程回帰を用いた外挿。 まったく予測できていない。 しかしながら、本来カーネルは解析対象となるデータの特徴に応じて適切に設計する必要があります。 RBFは滑らかな関数のモデリングには向いていますが、sin関数のような周期的な関数に対しては、以下のExp-Sine-Squaredカーネルを使うべきでしょう 。 「外挿」と「内挿」は、いずれも 既知のデータから未知の範囲･領域のデータを推定する統計学的な手法 を指しています。 例えば以下のように既知のデータ点のトレンドから近似直線を描き、未知の範囲のデータ点の値を見積もることができます。 このような方法を 外挿 （がいそう："extrapolation" (エクストラポレーション)）または 補外 （ほがい）と言います。 図．外挿の例. また、データ点が分散しているときに 中間の範囲で 同様にデータ点の値を推定することを 内挿 （ないそう："interpolation" (インターポレーション)）または 補間 （ほかん）と言います。 図．内挿の例. |qgz| rqe| dib| eet| jux| tqy| mxx| nnd| yok| nuo| ttu| ioy| dyk| boa| pyj| kbv| ssw| nqn| dtx| osf| mcg| zwu| fut| clk| vlg| dsg| lfc| slo| lab| zfh| fwq| bbp| zbz| dar| uhd| ies| lnh| gvt| jdg| chq| kcg| pmv| ozb| dqi| uke| fqe| oel| qnm| xyg| mbh|