主要内容
高斯过程回归
高斯过程回归模型（Kriging）
应用
| 回归学习者 | 火车回归模型以预测使用监督机器学习的数据 |
职能
班级
regressiongp. |
高斯进程回归模型类 |
CompactregressionGP. |
紧凑型高斯进程回归模型类 |
话题
高斯进程回归（GPR）模型是基于非参数内核的概率模型。
在高斯过程中，协方差函数表示期望具有类似的预测值值的点将具有相似的响应值。
学习精确GPR方法中的参数估计和预测。
通过大数据集，数据近似方法的子集可以大大减少培训高斯过程回归模型所需的时间。
回归器近似方法的子集通过近似替换精确的内核函数。
完全独立的条件（FIC）近似是一种系统地近似于真正的GPR内核函数的方式，该方法避免了SR近似的预测方差问题，同时仍然保持有效的高斯过程。
块坐标血管下降近似是用于减少大数据集的计算时间的另一近似方法。
您还可以从以下列表中选择一个网站：
