高斯过程

高斯过程 (GP) 是一种常用的监督学习方法，旨在解决回归问题和概率分类问题。

高斯过程模型的优点如下：

预测内插了观察结果（至少对于正则核）。

预测结果是概率形式的（高斯形式的）。这样的话，
人们可以计算得到经验置信区间并且据此来判断是否需要修改（在线拟合，自适应）

在一些区域的预测值。

通用性: 可以指定不同的:ref:内核(kernels)<gp_kernels>。
虽然该函数提供了常用的内核，但是也可以指定自定义内核。

高斯过程模型的缺点包括：

它们不稀疏，例如，模型通常使用整个样本/特征信息来进行预测。
高维空间模型会失效，高维也就是指特征的数量超过几十个。

todo
http://sklearn.apachecn.org/cn/0.19.0/modules/gaussian_process.html