เปรียบเทียบวิธี

	กระบวนการเกาส์เซียน	Bayesian Gaussian Process
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006 (book); roots in Kriging, 1951)	1978–2006
ผู้ริเริ่ม	Rasmussen, C. E. & Williams, C. K. I.	O'Hagan, A.; Neal, R. M.; Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Probabilistic non-parametric model	Probabilistic kernel model
แหล่งต้นตำรับ	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	GP, Gaussian Process Regression, GPR, Kriging	GP regression, GPR, Gaussian process model, GP classifier
ที่เกี่ยวข้อง	3	3
สรุป	A Gaussian Process (GP) is a non-parametric, fully probabilistic machine learning model that places a prior distribution directly over functions. Rather than predicting a single value, it returns a predictive mean and a calibrated uncertainty estimate at every test point, making it especially valuable for regression on small to medium datasets and for Bayesian optimization tasks.	A Bayesian Gaussian Process (GP) places a probability distribution directly over functions, using a kernel to encode similarity between inputs. After observing data, Bayes' rule converts this prior into a posterior that yields not just point predictions but calibrated uncertainty estimates at every new input — making it one of the most principled probabilistic models in machine learning.