为什么要高斯过程，而不是一个多元正态分布

在准备清华复试题的时候看到一个提问：

what is gaussion process?

第一次听说“高斯过程”，就去找了相关教程来看：

高斯过程 Gaussian Processes 原理、可视化及代码实现

看完以后大致了解了高斯过程，在此通过一些问题阐述一下个人对高斯过程的理解：

问题：描述一批样本为什么不直接用多元正态分布（正态分布就是高斯分布），空间的样本点来描述（均值和方差都可以很直观的描述这批样本的分布），反而要另辟蹊径用一条函数去表示一个样本点，多条函数来描述一批样本。

答：有三个原因：  

1. 如果要采样的维度变多，那么采样次数超过三维，导致空间超过3维以后，多元正态分布图像就不直观了，而用高斯过程就依然直观，这是因为：高斯过程的函数中，离散的自变量就是一个个的采样点，自变量有多少个离散点，正态分布就有多少维度。使用函数表示样本，那么样本的每个维度的信息都能被直观的表示出来。就像一支股票在一天的24h（1h一次采样）的24次变化。

（图片摘自以上博客）

2. 即使不考虑样本的直观性，不管样本有多少个维度，当需要用这一批样本去预测一个不存在的维度的时候，原来的多元正态分布是无法做到的；但是在高斯过程中可以做到，因为采样函数的自变量是维度，当拟合出采样曲线以后，很自然就可以预测到其它维度的函数值。就比如已知一类股票在一天23h的变化趋势，就可以预测到第24h股票的走势。

3. 高斯过程中，均值的置信区间、后验修正过程相比多元正态分布图也更直观，更便于进行预测。如下图，浅蓝色区域表示均值95%的置信区间，这是一个不断添加样本修正先验估计的过程。

（图片摘自以上博客）