Все ваши вопросы легче решать вместе, хотя было бы полезно, если бы вы могли привести пример типа диаграмм, на которые вы ссылаетесь.
Ось x равна , а не , как правило, это индекс переменной и (немного догадываясь, откуда исходит путаница) этот способ мышления обычно упоминается только для объяснения того, как можно просматривать выборки из большого мерный гауссовский в одном сюжете. Например, диаграммы, подобные приведенным ниже, распространены во введениях:
Где вышеизложенное было построено путем расчета ковариационной матрицы между 5 наблюдениями (5-мерным гауссовым) и выборкой из нее. Этот способ визуализации значений функций заключается в том, как мы можем представлять многомерных гауссианов на одном графике. Однако это представление представляет собой упорядочение точек в соответствии с их индексом в ковариационной матрице, что на самом деле не имеет смысла, но помогает понять другой способ визуализации (который полезен для понимания гауссовских процессов).
В общем, ось X будет значениями X, для которых мы хотим вычислить точку, и, таким образом, может принимать любое действительное значение. Для данных с 1 входным измерением (скажем, d = 1 и равным времени) это привело бы ко многим диаграммам, которые являются общими при представлении гауссовских процессов с обращением к нелинейной регрессии. Однако, когда d> 1, даже это представление о вещах нарушается, поскольку входное пространство теперь является многомерной сеткой (сколь угодно хорошей, если мы хотим), для которой мы можем вычислить значения функций при.
Тем не менее, когда d = 1, этот способ визуализации помогает нам намного проще строить многомерные гауссианы и помогает объяснить гауссовские процессы.
Ось Y, как правило, является значением функции (то есть целью).
Редактировать: я собирался дать более полный ответ, но понял, что переполнение стека не поддерживает латекс. Если вы хотите прочитать больше, я написал об этом на моем блоге с большим фоновым контекстом, чем выше.