1 内容介绍针对传统网络流量预测精度低难题,为了获得理想的网络流量预测结果,提出一种基于高斯过程回归(GPR)的网络流量预测模型.该模型首先计算延迟时间和嵌入维数,构建高斯过程回归的学习样本;然后采用高斯过程回归对网络流训练集进行学习,并采用入侵杂草优化对高斯过程回归的参数进行优化;最后采用经典的网络流量测试集对该模型性能进行实验测试.实验结果表明,高斯过程回归模型提高了网络流量的预测
原创
2022-08-18 22:58:45
691阅读
1评论
**针对机器学习的高斯过程（Gaussian Process for Machine Learning，即GPML）**是一个通用的监督学习方法，主要被设计用来解决回归问题。它可以拓展为概率分类（probability classification），但是在当前的实现中，这只是回归练习中的一个后续处理。GPML的优势如下：预测是对观察值的插值（至少在普通相关模型上）；预测是带有概率的（Gaussi
转载
2023-11-09 14:18:45
616阅读
https://borgwang.github.io/ml/2019/07/28/gaussian-processes.htmlhttp://www.gaussianprocess.org/gpml/chapters/RW.pdfhttp://www.columbia.edu/~jwp2128/Teaching/E6892/papers/mlss2012_cunningham_gaussian...
原创
2021-08-04 09:58:25
147阅读
