不過沒看明白，程式也沒調通。大神們，可以在試試。
何為高斯過程回歸：
其實分為兩個過程，高斯過程+回歸。
高斯過程：其實就是在函式上的正態分佈。它是由多個高斯函式組成的線性集合。
小知識：高斯分布其實就是正態分佈，我們現在講的高斯其實就是乙個模型。高斯模型。
高斯模型具體是啥，大家可以想象一下高斯函式的分布，就是那個中間寬，兩邊窄的東東。
描述為：
看看下面的公式：
例項：
如何計算k？需要乙個核函式，在高斯過程回歸裡面，我們最常見的kernel就是svm裡面的高斯核，為了避免命名上的混淆，我們一般稱之為平方指數核函式。
squared exponential kernel .
現在我們繼續分析上面的例子，假如我們通過高斯核函式，算出來k11—k33，這時x*又出來搗蛋了，它對應的f*是多少呢？
我們根據上面計算出來的f和k，可以對x*進行**，因為它本身就是乙個函式，是函式的話，知道x就一定可以算出y。此時，我們可以根據聯合分布
的所有引數，算出其對應的p(f*),也就是說，此方法給出了**值所隸屬的整個後驗概率分布，我們得到的是f*的整個分布，不是點估計。
在道路邊緣檢測演算法當中，當我們對其進行gpr()的時候，你會發現我們計算出model後，需要對其進行評估，將不滿足條件的點給乾掉。
（對於每一塊區域）先通過ht 霍夫變換得到種子點，然後利用種子點之間的關係，比如協方差k，利用這個關係去**其他點是不是滿足這個模型。（理解為直線模型），第二步，去eval，對於這裡面的每個點，x屬於test，計算k(x*,x*)和k(x,x*),未知點，測試的點。然後和我們自己定義的tmodel（測試點x*的方差的閾值）和tdata（測試點x*到它的**均值f*）去比較。當滿足的時候，我們認為其滿足，並保留到sp當中，從初始選擇的種子點的集合sp開始，每一次迭代都從sc中，選擇snew,滿足就累加，直到sc為空。也就是這一塊區域都找到為止。
其實這種演算法，和區域生長演算法類似，都是將定義的點每個檢測，然後增加其長度。
高斯過程回歸 高斯過程的直觀指南
高斯過程是一種強大的回歸和分類演算法。它最大的優勢是能夠對自身的不確定性做出可靠的估計。本文目標是讓您直觀地了解什麼是高斯過程。內容 機器學習使用我們擁有的資料 稱為訓練資料 來學習我們可以用來 我們尚未擁有的資料的函式。最簡單的例子是線性回歸，在這裡我們學習一條線的斜率和截距，這樣我們就可以從它們...
機器學習 資料探勘筆記 11（高斯過程回歸）
前言 基礎知識 首先來看看bayesian linear regression 貝葉斯線性回歸 模型 其中的d為已知的有監督的訓練樣本。yi為樣本標籤，由 可知，yi可以表示為乙個高斯過程和乙個隨機變數的和。公式中的w是乙個多維高斯分布。既然已經得知yi的中心是在乙個高維空間的平面上，所以當新來的資...
貝葉斯分析 高斯過程
貝葉斯框架下,可以用高斯過程來估計乙個函式 f r r.對於每個xi,f xi 可以用乙個均值方差暫未知的高斯分布來建模。因為連續空間的xi可以有無限個，擬合乙個函式的高斯過程其實乙個無限維的多元高斯。實際中，不管是我們的給定資料，還是測試點的個數都是有限的。因此無論是高斯過程先驗還是還是高斯過程後...