1.领域：matlab，Bayesian贝叶斯全局优化 2.内容：基于高斯过程的Bayesian贝叶斯全局优化matlab仿真+代码仿真操作视频 3.用处：用于Bayesian贝叶斯全局优化编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

基于高斯过程回归(GPR)时间序列区间预测，matlab代码，单变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和区间覆盖率和区间平均宽度百分比等，代码质量极高，方便学习和替换数据。

机器学习算法 高斯过程python包安装过程

基于鲸鱼算法(WOA)优化高斯过程回归(WOA-GPR)的数据回归预测，matlab代码，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于粒子群算法(PSO)优化高斯过程回归(PSO-GPR)的数据回归预测，matlab代码，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

EIV_IGP 变量综合高斯过程误差 (EIV IGP) 模型用于对海平面变化的历史速率执行贝叶斯推理。 模型的输入数据可以来自潮位计测量和/或沿海沉积物岩心的替代重建。 这些数据因多种不确定性来源而变得复杂，其中一些来源是数据收集工作的一部分。 值得注意的是，代用重建包括使用放射性碳等技术对沉积岩心测年的时间不确定性。 EIV IGP 模型在海平面变化率之前放置了一个高斯过程，然后对其进行积分以提供观测数据的似然平均值。 该模型设置在变量误差框架中，以考虑年龄不确定性。 由此产生的模型在充分考虑所有可用的不确定性来源的情况下捕捉了海平面变化的连续和动态演变。

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

Matlab gpr代码Two_layer_GPR_hahazing 带有图像去雾示例选择的两层高斯过程回归的源代码TCSVT。 当您使用我们提供的源代码时，请引用我们的论文“两层高斯过程回归与图像去雾的示例选择，TCSVT，2016”，作者：樊凡，王一，唐贤轩，高仁杰，罗忠轩。 说明： 请在MATLAB中运行“ GPR_dehaze.m”脚本。

简单实现高斯过程回归的问题,利用python语言做了一个简要的说明。

github上的非常好用的关于高斯过程回归的python代码，非常好用。