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)。</