高斯过程回归用于势能面建模 文本

针对多输入单输出的高斯过程回归程序，采用拟牛顿法和共轭梯度对超参数进行优化。

基于python，纯代码

论文，pdf版，仅供学习交流使用

代码及论文所用的观测数据

将代码打包为exe可执行文件

高斯过程(GP)模型是非参数贝叶斯回归的一种灵活方法。然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs (single-task GPs, STGP)。在此，利用GPs同时对多个相关单变量生理时间序列进行建模。由此产生的多任务GP (MTGP)框架可以学习多个信号之间的相关性，即使它们可能以不同的频率采样，并具有针对不同间隔的训练集。MTGPs可有效地学习了生理时间序列之间的相关性，从而提高了建模精度。 多任务高斯过程模型 Matlab工具箱 （包括多个例子）

1. 代码主要基于GPML V4.2工具箱实现 2. 提供了两个应用实例（单变量预测和多变量预测） 3. 给出了预测均值和方差的可视化结果

代码里面是整个高斯过程类的实现，拟合了y=ax+b这样的直线。要运行的话，还要配上外围脚本，写点数据来驱动这个类。

高斯过程 回归 分类的经典书籍还有相关的工具包 Gaussian Processes for Machine Learning Carl Edward Rasmussen Christopher K. I. Williams The MIT Press