高斯过程回归python代码

以下是使用 Python 中的 scikit-learn 实现高斯过程回归的代码：

# 导入相关库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF

# 生成随机数据
X = np.array([1, 3, 5, 6, 7]).reshape(-1, 1)
y = np.array([2, 5, 4, 8, 9])

# 定义高斯核函数
kernel = RBF(length_scale=1.0)

# 创建高斯过程回归模型
gp = GaussianProcessRegressor(kernel=kernel)

# 拟合数据
gp.fit(X, y)

# 预测新数据
x_new = np.linspace(0, 10, 100).reshape(-1, 1)
y_pred, sigma = gp.predict(x_new, return_std=True)

# 可视化结果
plt.plot(X, y, 'o', label='真实值')
plt.plot(x_new, y_pred, '-', label='预测值')
plt.fill_between(x_new[:, 0], 
                 y_pred - 1.96 * sigma,
                 y_pred + 1.96 * sigma,
                 alpha=0.1, color='k')
plt.legend()
plt.show()

希望这样能够帮到你！