写在前面：  本文为科研理论笔记的第三篇，其余笔记目录传送门：理论笔记专栏目录  介绍结束下面开始进入正题：1高斯分布​  一元高斯分布的概率密度函数为：p(x)=1σ2πexp⁡(−(x−μ)22σ2);简写为：x∼N(μ,σ2)p(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp(-\frac{(x-\mu)^2}{2\sigma^2});简写为：x\simN(\mu,\sigma^2)p(x)=σ2π​1​exp(−2σ2(x−μ)2​);简写为：x∼N(μ,σ2)其中的σ\sigmaσ和μ\muμ分别表示均值和方差，它们决定了高斯曲线的形状。​  二维高斯分布图如下

高斯过程回归（GaussianProcessesRegression,GPR）简介一、高斯过程简介二、高斯分布1.一元高斯分布2.多元高斯分布三、高斯过程回归1.高斯过程2.高斯过程回归四、sklearn中高斯过程回归的使用1.核函数的选择2.sklearn中高斯过程回归的使用a.初始数据b.高斯过程回归拟合c.高斯过程回归后验结果分布d.不同核函数拟合结果对比一、高斯过程简介高斯过程是一种常用的监督学习方法，可以用于解决回归和分类问题。高斯过程模型的优点有：预测对观察结果进行了插值预测的结果是概率形式的通用性：可以指定不同的核函数（kernels）形式高斯过程模型的确定包括：它们不是稀疏的，