高斯回归进行数据预测

上篇博客：使用高斯函数进行散点拟合预测：https://mp.csdn.net/postedit/84840449  其中的quex缺陷是，在训练数据x的shul数量超过几百后，求解速度回很慢。所以我们使用基于低秩加对角近似的FITC进行求解。模型是FITC回归：model = pyGPs.GPR_FITC（）

    test = np.arange(0, 2700, 1)
    x = x_train
    y = np.ravel(y_train)
    model = pyGPs.GPR_FITC() # specify model (GP regression)
    model.setData(x, y) # fit default model (mean zero & rbf kernel) with data
    model.optimize() # optimize hyperparamters (default optimizer: single run minimize)
    yvals=model.predict(test) # predict test cases
    print(yvals)
    model.plot()

其求解速度是使用model = pyGPs.GPR()的3000倍，在我得数据集下面是这样子的，如果测试数据更多的话，两种方法的求解速度区分会更加的明显。