Un método de regresión bayesiano no paramétrico que coloca una priori de proceso gaussiano sobre funciones, especificando una función de media y una covarianza (kernel) que codifica similitud; condicionado a pares entrada–salida observados produce una distribución predictiva posterior gaussiana en nuevas entradas, proporcionando predicciones medias y estimaciones de incertidumbre para interpolación o predicción espacial (también llamado kriging en geostatística bajo supuestos gaussianos).

Principio

Bajo una priori gaussiana y (típicamente) ruido de observación gaussiano, las predicciones en nuevas entradas son conjuntamente gaussianas con expresiones analíticas para la media y varianza predictiva determinadas por el kernel y los datos observados; el kernel codifica la suavidad a priori y las escalas de correlación.

Demostración

Escenario ilustrativo → Sensores miden concentración de contaminante en ubicaciones dispersas. Reconocimiento → Las mediciones se tratan como observaciones ruidosas de un campo subyacente suave. Acción → Ajustar un proceso gaussiano con un kernel espacial apropiado, calcular media y varianza posteriores en coordenadas no muestreadas. Consecuencia → Una estimación continua de la superficie con incertidumbre puntual que guía el muestreo y decisiones operativas.

Aplicación incorrecta

Usar un kernel arbitrariamente complejo o hiperparámetros por defecto sin validar escalas de longitud, o asumir que los intervalos predictivos del PG son fiables cuando la verosimilitud no es gaussiana o los hiperparámetros están mal estimados; el error es confundir conveniencia del modelo con incertidumbre calibrada.

Consecuencia

Aplicado correctamente, la regresión GP ofrece interpolación coherente con cuantificación de incertidumbre que apoya umbrales de decisión y diseño de muestreo; mal usada puede subestimar o sobrestimar la incertidumbre, no capturar efectos no estacionarios, o resultar computacionalmente inviable en grandes conjuntos de datos sin aproximación.

Inversión

La forma predictiva gaussiana analítica y la incertidumbre en forma cerrada dependen de supuestos de verosimilitud gaussianos (o conjugados); para salidas no gaussianas (cuentas, binarias) o ruido con colas pesadas se deben usar inferencias aproximadas (por ejemplo Laplace, variacional) u otras verosimilitudes, lo que cambia la calibración y el coste computacional.

Límite

Claramente dentro → Interpolación espacial continua de valores reales con tamaño de muestra moderado donde las suposiciones del kernel son plausibles. Caso límite → Conjuntos de datos a gran escala que requieren GP escasos/aproximados o kernels no estacionarios cuya elección afecta materialmente los resultados. Claramente fuera → Tareas de clasificación de alta dimensión con etiquetas no gaussianas sin adaptar la verosimilitud y la inferencia.

Tensión semántica

Flexibilidad de priors funcionales no paramétricos (kernels expresivos) ↔ coste computacional y estadístico (crece cúbicamente con el tamaño de entrenamiento sin aproximación y requiere regularización cuidadosa de hiperparámetros).

Síntesis

La regresión por proceso gaussiano materializa creencias a priori sobre la suavidad de la función mediante el kernel para producir predicciones interpoladas con incertidumbre razonada; su valor práctico depende de la elección del kernel, el modelo de ruido y la estrategia computacional.