Modelos semiparamétricos (Kernel+regresores): estimación de salidas y parámetros

Antonio Sala, UPV

Dificultad: **** ,       Relevancia: ,      Duración: 07:53

Resumen:

Este vídeo plantea la regresión en modelos $y(x)=z(x)+\varphi (x)𝜃+𝜖$ siendo $𝜖$ un ruido de medida, $𝜃$ un vector de parámetros ajustables, $\varphi (x)$ un vector de regresores, y $z(x)$ un componente de tipo “proceso Gaussiano” con matriz de varianzas-covarianzas $\kappa (x_1,x_2)$ conocida.

El resultado es equivalente a utilizar en regresión un Kernel dado por $\tilde{\kappa }(x_1,x_2)=\kappa (x_1,x_2)+\varphi (x_1){\mathrm{\Sigma }}_{𝜃}\varphi {(x_2)}^T$, siendo ${\mathrm{\Sigma }}_{𝜃}$ la matriz de varianzas-covarianzas del estimado a priori del componente paramétrico $𝜃$.

Colección completa [VER]:

• Anterior   Centrado de Kernels

• Siguiente Modelos semiparamétricos (Kernel+regresores): notas adicionales