Optimización de hiperparámetros de un kernel (covarianza proc. estocástico) para regresión

Antonio Sala, UPV

Dificultad: **** ,       Relevancia: ,      Duración: 12:57

Resumen:

En este vídeo se determinan los (hiper)parámetros óptimos de un Kernel gaussiano $M{e}^{-\frac{x^2}{{\sigma }^2}}$ para ajustar una serie de datos.

Se utilizan dos criterios: – ajuste a unos datos de validación (error cuadrático, sin ponderar según vza., por simplicidad) – estimado maximum-likelihood (maximizar la probabilidad a priori de los datos experimentales). Una versión más sencilla de la idea se discute en el vídeo [optimML] que podría ser aconsejable visionar antes de éste.

Se comparan los resultados entre sí y con ajustes “manuales” de dichos parámetros.

Colección completa [VER]:

• Anterior   Regresión Kernel: interpretación estadística/filtro de Wiener (Matlab)

• Siguiente Centrado de Kernels