高斯过程 (GP) 是随机变量的集合，通常由连续或离散数据源索引，具有可以用多元正态分布描述的联合概率分布。虽然它们最常用于机器学习，但也可用于其他各种领域，例如贝叶斯优化、空间统计和回归分析。
高斯过程是一种用概率分布表示函数的方法。它假设给定一组观测数据，任何新值均呈正态分布，其均值和方差取决于观测数据的值。这意味着通过考虑观测到的数据，可以对尚未观测到的某些值进行有一定把握的预测。 GP 也是非参数的，这意味着它们不对基础数据做出任何假设，而是假设先验分布。
GP 有许多应用，例如回归分析和预测问题，这些问题需要根据先验知识或观察来进行未来预测。 GP 在这些场景中非常有用，因为它们考虑到结果的不确定性，给出未来可能结果的概率分布，而不仅仅是单一预测。它们还可以用于贝叶斯优化，这是一种优化模型参数的技术。 GP 还可用于空间统计，用于对变量之间的空间关系进行建模。
高斯过程是机器学习中的重要工具，因为它们提供了一种对复杂函数进行建模的方法，而无需对数据的形式做出假设。这意味着它们可以用于数据的确切形式未知或难以指定的场景。 GP 在理论上也很有吸引力，因为它们提供了一种在做出预测和决策时将先验知识与观察到的数据结合起来的优雅方法。
