Quelles sont les bonnes stratégies pour effectuer une régression du processus gaussien lorsque la fonction que j'essaie d'approcher les changements dans le temps? L'approche naïve qui me vient à l'esprit est de n'utiliser que les N points de données les plus récents pour effectuer la régression. Quelles sont les meilleures stratégies?
Vous pouvez essayer cette méthode:
Méthodes prédictives de sélection d'ensembles actifs pour les processus gaussiens
Nous proposons un cadre de sélection d'ensembles actifs pour la classification des processus gaussiens pour les cas où l'ensemble de données est suffisamment grand pour rendre son inférence prohibitive. Notre schéma consiste en une procédure alternée en deux étapes de règles de mise à jour d'ensembles actifs et d'optimisation d'hyperparamètres basée sur la maximisation de la vraisemblance marginale. Les règles de mise à jour de l'ensemble actif reposent sur la capacité des distributions prédictives d'un classificateur de processus gaussien à estimer la contribution relative d'un point de données lorsqu'il est inclus ou supprimé du modèle.
Si vous voulez un algorithme à budget fixe, voir par exemple,
M. Lázaro-Gredilla, S. Van Vaerenbergh et I. Santamaría, "A Bayesian Approach to Tracking with Kernel Recursive Least-Squares", IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2011), Beijing, Chine, septembre 2011 .