布朗桥python_Gaussian Process for Regression高斯回归

可用于回归和分类器

高斯过程主要应用于各领域的建模和预报，在时间序列分析中，高斯过程被用于时间序列的多步前向预报(multi-step-ahead prediction)[14]  、在信号处理中，高斯过程建模是处理非线性信号的工具[15]  、在人工智能领域，GPR和GPC是被广泛使用的机器学习算法[1]  ，具有卷积结构的高斯过程(Convolutional Gaussian Processes, CGP)在图像处理问题中表现出了良好效果[16]  。此外一些高斯过程可以模拟特殊的科学现象，例如OU过程被用于神经活动的建模[17]  、布朗桥被用于模拟生物的迁徙行为

https://wenku.baidu.com/view/4b749b81a76e58fafbb0032e.html

Definition 1. A Gaussian Process is a collection of random variables, any finite number of which have (consistent) joint Gaussian distributions.

高斯分布(Gaussian Distribution) 是由方差向量(一维的时候是一个常量)和一个协方差矩阵(一维是方差)确定。

而高斯过程是一个随机过程的集合，它由一个均值函数m(x)和方差函数k(x，x')确定。

换句话说，高斯分布是基于向量，而高斯过程是基于函数(函数区别于序列在于连续？)

高斯分布表示：

f~GP(m,k)

意思是：函数f按照基于均值函数m(x)和协方差函数k(x，x‘)的高斯过程进行分布。就是高斯分布的一个连续性扩展，这里有一个训练方式的讲解

在概率论和统计学中，高斯过程是随机过程(由时间或空间索引的随机变量的集合)，使得这些随机变量的每个有限集合具有多元正态分布，即它们的每个有限线性组合通常是分散式。高斯过程的分布是所有那些(无限多个)随机变量的联合分布，因此，它是具有连续域的函数的分布，例如时间或空间。

涉及高斯过程的机器学习算法使用惰性学习和点之间的相似性度量(核函数)来预测训练数据中看不见的点的值。预测不仅仅是对该点的估计，而且还具有不确定性信息 - 它是一维高斯分布(这是该点的边际分布)。</