ScholarGate
助手
Machine learningMachine learning

高斯过程

高斯过程（GP）是一种非参数、全概率的机器学习模型，它直接在函数上放置先验分布。它不预测单个值，而是在每个测试点返回预测均值和校准的不确定性估计，这使其在小到中型数据集的回归和贝叶斯优化任务中特别有价值。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

Method map

The neighbourhood of related methods — select a node to explore.

高斯过程
贝叶斯高斯过程贝叶斯优化随机森林主动学习高斯过程贝叶斯主动学习贝叶斯决策树贝叶斯联邦学习贝叶斯少样本学习贝叶斯高斯混合模型贝叶斯度量学习

+20 more

来源

  1. Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
  2. Gaussian process. Wikipedia. link ↗

如何引用本页

ScholarGate. (2026, June 3). Gaussian Process Regression and Classification. ScholarGate. https://scholargate.app/zh/machine-learning/gaussian-process

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

被引用于

主动学习高斯过程贝叶斯主动学习贝叶斯决策树贝叶斯联邦学习贝叶斯少样本学习贝叶斯高斯混合模型贝叶斯高斯过程贝叶斯度量学习贝叶斯朴素贝叶斯 (Bayesian Naive Bayes)贝叶斯非参数方法贝叶斯单类支持向量机贝叶斯在线学习贝叶斯随机森林贝叶斯半监督学习贝叶斯堆叠集成贝叶斯支持向量机集成高斯过程可解释高斯过程度量学习正则化高斯过程正则化k近邻算法正则化半监督学习稳健高斯过程自监督高斯过程自监督单类支持向量机 (Self-supervised One-class SVM)半监督高斯过程半监督单类支持向量机Spatial Variational Inference

发现本页有问题？报告或提出修改建议 →

ScholarGate — Gaussian Process (Gaussian Process Regression and Classification). 于 2026-06-15 检索自 https://scholargate.app/zh/machine-learning/gaussian-process · 数据集： https://doi.org/10.5281/zenodo.20539026