快速入门高斯过程（Gaussian process）回归预测

前言

这篇文章主要是教会你如何快速了解高斯过程进行回归预测的，并没有太多的公式推导，只有简单的相关的概念的介绍，如果您要自己掌握并使用高斯过程进行一个简单的预测，当然还需要进行一些基础知识的学习，我会在文章最后推荐一些博主有关高斯过程详细介绍的文章。

话不多说，首先我们看一下面这道题目。这里该不会有人不知道“回归”的意思吧，简单讲回归就是一种拟合，把孤立的东西联系起来，找到规律，这就叫回归。正如题目所示，我们知道了六个点的纵坐标，要预测第七个点的纵坐标。我想很多人都知道线性回归的吧，也就是用y=kx+b来代表整个数据点的趋势，虽然数据点不能完全在这直线上，但是也可以通过这个表达式预测出第七个点（x=0.2）的纵坐标。但是记住，本篇文章是高斯过程回归预测呀！！！也就是我们要用高斯过程来进行回归并预测。接下来介绍一些基础的概率论的知识~高斯过程回归预测题目我们看到一维高斯分布（正态分布）的概率密度函数决定因素有两个：均值μ\mu 和方差 （标准差）σ\sigma 。因此我们可以得到一个结论：一个均值和一个方差可以确定一个一维的高斯分布！！！！一维高斯分布（正态分布）我们再看下面一幅图，这是二维高斯分布的概率密度函数，我们将这幅图分别从XOZ和YOZ两个方向看，我们可以看到两个方向得到的截面完全遵循一维高斯分布，那么动动小脑瓜想想，有两个一维高斯分布是不是需要两个均值和方差来确定，那么也就是说，两个均值和两个方差可以确定一个二维高斯分布，不妨把这个假设扩展到n维。二维高斯分布概率密度函数从下图我们看出关于n维高斯分布的表达式，和一维高斯分布进行对比你们能更好理解了吧~