參考資料：
http://kingfengji.com/?p=44
說說高斯過程回歸
http://www.cnblogs.com/tornadomeet/archive/2013/06/15/3137239.html
機器學習&數據挖掘筆記_11（高斯過程回歸）
在網上找了許久，終於找到幾篇關於介紹這方面的文章，在第一篇文章的鏈接中，我們可以去下載一些demo
不過沒看明白，程序也沒調通。大神們，可以在試試。
何為高斯過程回歸：
其實分為兩個過程，高斯過程+回歸。
高斯過程：其實就是在函數上的正態分布。它是由多個高斯函數組成的線性集合。
小知識：高斯分布其實就是正態分布，我們現在講的高斯其實就是一個模型。高斯模型。
高斯模型具體是啥，大家可以想象一下高斯函數的分布，就是那個中間寬，兩邊窄的東東。
描述為：
回歸：回歸是一種關系。Xi與yi之間的關系。比如說線性回歸分析，這里面就是指x與y存在線性關系，即一次函數關系。
看看下面的公式：
實例：
如何計算k？需要一個核函數，在高斯過程回歸里面，我們最常見的kernel就是svm里面的高斯核，為了避免命名上的混淆，我們一般稱之為平方指數核函數。
Squared exponential kernel .
現在我們繼續分析上面的例子，假如我們通過高斯核函數，算出來K11—K33，這時x*又出來搗蛋了，它對應的f*是多少呢？
我們根據上面計算出來的f和K，可以對x*進行預測，因為它本身就是一個函數，是函數的話，知道x就一定可以算出y。此時，我們可以根據聯合分布
的所有參數，算出其對應的p(f*),也就是說，此方法給出了預測值所隸屬的整個后驗概率分布，我們得到的是f*的整個分布，不是點估計。
在道路邊緣檢測算法當中，當我們對其進行GPR()的時候，你會發現我們計算出model后，需要對其進行評估，將不滿足條件的點給干掉。
（對於每一塊區域）先通過HT 霍夫變換得到種子點，然后利用種子點之間的關系，比如協方差K，利用這個關系去預測其他點是不是滿足這個模型。（理解為直線模型），第二步，去eval，對於這里面的每個點，X屬於test，計算k(x*,x*)和K(X,x*),未知點，測試的點。然后和我們自己定義的tmodel（測試點x*的方差的閾值）和tdata（測試點x*到它的預測均值f*）去比較。當滿足的時候，我們認為其滿足，並保留到sp當中，從初始選擇的種子點的集合sp開始，每一次迭代都從Sc中，選擇snew,滿足就累加，直到Sc為空。也就是這一塊區域都找到為止。
其實這種算法，和區域生長算法類似，都是將定義的點每個檢測，然后增加其長度。