高斯过程回归(GPR/Gaussian Process)：性质完美，计算简单，形式漂亮（非参数贝叶斯方法）【对无穷维的函数进行建模，而不是仅仅对参数进行建模。】

高斯过程有什么用？--->高斯过程回归

简单的说，由于它性质完美，计算简单，形式漂亮，所以可以被广泛应用在各种统计建模中，包括一些非线性的预测推断问题

---

高斯过程回归（Gaussian Process Regression，简称GPR）是一种用于回归问题的非参数贝叶斯方法。其基本思想是对无穷维的函数进行建模，而不是仅仅对参数进行建模。以下是高斯过程回归的主要作用和特点：

1. 非参数建模：与传统的参数回归方法（如线性回归）不同，高斯过程回归不会假设一个固定形式的模型来描述数据。这使得GPR能够捕获复杂的、非线性的关系。

2. 预测的不确定性：GPR不仅可以为每一个输入点提供一个预测值，而且还可以为预测值提供一个不确定性度量（通常表现为标准偏差）。这是因为GPR提供了一个完整的概率模型。

3. 核函数的选择：高斯过程回归的一个重要组成部分是核函数（或协方差函数）。核函数决定了函数空间的平滑程度和特性。不同的核函数可以捕获数据中的不同特性，如周期性、平滑性等。

4. 灵活性：通过组合不同的核函数，用户