高斯过程回归GPR（sklearn.gaussian_process+python实现）

1、高斯过程：

scikit-learn (sklearn) 官方文档

scikit-learn (sklearn) 官方文档中文版

scikit-learn (sklearn) 官方文档中文版（1.7. 高斯过程）

其他介绍：

A Visual Exploration of Gaussian Processes

看得见的高斯过程：这是一份直观的入门解读（上面中文翻译-机器之心）

Introduction to Gaussian Processes - Part I

从数学到实现，全面回顾高斯过程中的函数最优化（机器之心）

浅谈高斯过程回归

相关paper：

Gaussian Processes for Regression A Quick Introduction, M.Ebden, August 2008.

[RW2006] Carl Eduard Rasmussen and Christopher K.I. Williams, “Gaussian Processes for Machine Learning”, MIT Press 2006.

2、python实现：

（例1）

import numpy as np

import matplotlib.pyplot as plt

from sklearn.gaussian_process import GaussianProcessRegressor

from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C

from mpl_toolkits.mplot3d import Axes3D

# 创建数据集

test = np.array([[2004, 98.31]])

data = np.array([

    [2001, 100.83, 410], [2005, 90.9, 500], [2007, 130.03, 550], [2004, 78.88, 410], [2006, 74.22, 460],

    [2005, 90.4, 497], [1983, 64.59, 370], [2000, 164.06