가우시안 프로세스(GP)는 일반적으로 연속 또는 이산 데이터 소스로 색인화되는 무작위 변수의 모음으로, 다변량 정규 분포로 설명할 수 있는 결합 확률 분포를 갖습니다. 이는 기계 학습에서 가장 일반적으로 사용되지만 베이지안 최적화, 공간 통계 및 회귀 분석과 같은 다양한 다른 영역에서도 사용할 수 있습니다.
가우스 프로세스는 확률 분포로 함수를 표현하는 방법입니다. 관찰된 데이터 세트가 주어지면 새로운 값은 관찰된 데이터의 값에 따라 평균과 분산을 갖는 정규 분포를 따른다고 가정합니다. 이는 관찰된 데이터를 고려함으로써 아직 관찰되지 않은 특정 값에 대해 어느 정도 확신을 갖고 예측하는 것이 가능하다는 것을 의미합니다. GP는 또한 비모수적입니다. 즉, 기본 데이터에 대해 어떠한 가정도 하지 않고 대신 사전 분포를 가정합니다.
GP에는 회귀 분석 및 예측 문제와 같이 사전 지식이나 관찰을 통해 미래를 예측해야 하는 다양한 응용 분야가 있습니다. GP는 결과의 불확실성을 허용하고 단일 예측이 아닌 가능한 미래 결과의 확률 분포를 제공하기 때문에 이러한 시나리오에서 유용합니다. 또한 모델의 매개변수를 최적화하는 기술인 베이지안 최적화에도 사용할 수 있습니다. GP는 변수 간의 공간 관계를 모델링하는 데 사용되는 공간 통계에도 사용될 수 있습니다.
가우스 프로세스는 데이터 형식에 대해 가정할 필요 없이 복잡한 기능을 모델링하는 방법을 제공하므로 기계 학습에서 중요한 도구입니다. 즉, 데이터의 정확한 형식을 알 수 없거나 지정하기 어려운 시나리오에서 사용할 수 있습니다. GP는 예측과 결정을 내릴 때 사전 지식과 관찰된 데이터를 결합하는 우아한 방법을 제공하므로 이론적으로도 매력적입니다.
