Confusão relacionada à diferença dos processos de krigagem e gaussiana

Estou tendo dificuldade para entender qual é a diferença entre os processos kriging e gaussiano. Quero dizer, o wiki diz que eles são os mesmos, mas suas fórmulas para previsão são muito diferentes.

Estou um pouco confuso por que eles são chamados semelhantes. Esclarecimentos?

gaussian-process

— user34790
fonte

Existem algumas diferenças sutis entre a krigagem comum e a simples, talvez isso confunda você. A regressão de GP da maneira como geralmente é apresentada é análoga à krigagem simples. No processo gaussiano da Wikipedia, diz que o artigo se refere explicitamente a uma " distribuição com zero significado "; essa é a mesma suposição encontrada no kriging simples.

De um modo geral, a krigagem geralmente é realizada em espaços bidimensionais ou tridimensionais (por exemplo, concentração de poluentes ao longo de uma determinada área), enquanto a maioria dos exemplos de brinquedos GPR são unidimensionais (por exemplo, concentração de na atmosfera contra o tempo). $CO_2$

Em última análise, kriging / GPR é uma técnica de interpolação e a maior parte (não toda) da diferença entre as variantes reside na suposição sobre a tendência média (ou E [ ] se você essa notação). $\mu(X)$ $X_t$

— usεr11852
fonte

Isso não é verdade. Freqüentemente, você vê na literatura do GP que, sem perda de generalidade, eles usam zero suposições médias, mas depois adicionam a estrutura da média ao kernel (por exemplo, com a adição de um kernel linear etc). Os GPs certamente não são usados em apenas uma dimensão, como pode ser visto em praticamente qualquer artigo sobre o assunto. O cenário 1D é usado apenas para fins de intuição em textos introdutórios. De fato, na maioria dos casos 1D, você pode codificar o GP em um filtro Kalman, que é computacionalmente mais eficiente.

— j__

@j__ Para a primeira parte do seu comentário: concordo parcialmente, mas infelizmente é principalmente uma questão terminológica que as pessoas tendem a abusar dela às vezes. Apresento a distinção canônica que vi nos livros. Para a segunda parte: permita-me discordar. Vi várias aplicações de casos GPR 1D (por exemplo, na modelagem de taxas de câmbio , em filogenética e em soluções ODE - estas apenas fazendo uma rápida pesquisa no Google). Eu aprecio o seu comentário, que geralmente um quadro estatístico (cont.)

— usεr11852

se destaca quando aplicado em configurações multivariadas, mas isso não desacredita os aplicativos 1D.

— precisa saber é o seguinte

Bem, eu vejo de onde você vem. Eu acho que eu diria que é mais comum que os GPs atuem em espaços N dimensionais gerais, em vez de serem restritos a 2/3, como é o caso de Kriging. Um caso especial é a configuração 1D. Esse pode ser um bom meio termo em que podemos concordar;)

— j__ 9/11/15

Sim, casos 1-D tendem a ser únicos . (Pun terrível)

— usεr11852

Os GPs são conhecidos como kriging em geoestatística. Para aprender sobre a história dos processos gaussianos, assista a este vídeo http://youtu.be/4r463NLq0jU?t=26s

— pushkar
fonte