高斯过程（Gaussian Processes，GP）是一种强大的非参数化模型，通常用于回归和分类任务。

它允许我们以一种灵活的方式建模数据的不确定性，并在小样本情况下表现出色。
高斯过程是一种用于建模函数的分布的非参数方法。

在高斯过程回归中，咱们试图建立一个连续的随机函数，该函数映射输入空间中的点到输出空间中的点，并且认为输出值是在每个输入点周围的一个高斯分布中的样本。

高斯过程的核心思想是通过协方差函数（通常称为核函数）来衡量输入点之间的相似性。

数据生成

首先，我们生成一组虚构的销售数据，以便演示高斯过程回归。这里我们假设有一家小商店，我们要建立一个回归模型来预测每天的销售额。

import numpy as np

生成随机的日期数据

np.random.seed(0)
days = np.arange(1, 31)
sales = 100 + 2 * days + np.random.normal(0, 10, len(days))

模型训练

接下来，我们使用高斯过程回归模型来拟合销售数据。

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C

定义高斯过程回归模型

kernel = C(1.