python风控评分卡建模和风控常识(博客主亲自录制视频教程)
高斯过程（gaussian process）
可用于回归和分类器
高斯过程主要应用于各领域的建模和预报，在时间序列分析中，高斯过程被用于时间序列的多步前向预报（multi-step-ahead prediction） [14] 、在信号处理中，高斯过程建模是处理非线性信号的工具 [15] 、在人工智能领域，GPR和GPC是被广泛使用的机器学习算法 [1] ，具有卷积结构的高斯过程（Convolutional Gaussian Processes, CGP）在图像处理问题中表现出了良好效果 [16] 。此外一些高斯过程可以模拟特殊的科学现象，例如OU过程被用于神经活动的建模 [17] 、布朗桥被用于模拟生物的迁徙行为
https://wenku.baidu.com/view/4b749b81a76e58fafbb0032e.html
Definition 1. A Gaussian Process is a collection of random variables, any finite number of which have (consistent) joint Gaussian distributions.
高斯分布（Gaussian Distribution） 是由方差向量（一维的时候是一个常量）和一个协方差矩阵（一维是方差）确定。
而高斯过程是一个随机过程的集合，它由一个均值函数m(x)和方差函数k（x，x'）确定。
换句话说，高斯分布是基于向量，而高斯过程是基于函数（函数区别于序列在于连续？）
高斯分布表示：
f~GP（m,k）
意思是：函数f按照基于均值函数m（x）和协方差函数k（x，x‘）的高斯过程进行分布。就是高斯分布的一个连续性扩展，这里有一个训练方式的讲解
在概率论和统计学中，高斯过程是随机过程（由时间或空间索引的随机变量的集合），使得这些随机变量的每个有限集合具有多元正态分布，即它们的每个有限线性组合通常是分散式。高斯过程的分布是所有那些（无限多个）随机变量的联合分布，因此，它是具有连续域的函数的分布，例如时间或空间。
涉及高斯过程的机器学习算法使用惰性学习和点之间的相似性度量（核函数）来预测训练数据中看不见的点的值。预测不仅仅是对该点的估计，而且还具有不确定性信息 - 它是一维高斯分布（这是该点的边际分布）。[1]
对于某些核函数，矩阵代数可用于使用克里金法计算预测。当使用参数化内核时，优化软件通常用于拟合高斯过程模型。
高斯过程的概念以Carl Friedrich Gauss命名，因为它基于高斯分布（正态分布）的概念。高斯过程可以看作是多元正态分布的无限维推广。
高斯过程在统计建模中很有用，受益于从法线继承的属性。例如，如果将随机过程建模为高斯过程，则可以明确地获得各种导出量的分布。这样的量包括在一定范围内的过程的平均值和在一小部分时间使用样本值估计平均值的误差。
https://cloud.tencent.com/developer/news/13104
图文详解高斯过程（一）——含代码
编者按：高斯过程（Gaussian process）是概率论和统计学中的一个重要概念，它同时也被认为是一种机器学习算法，广泛应用于诸多领域。为了帮助入门者更好地理解这一简单易用的方法，近日国外机器学习开发者Alex Bridgland在博客中图文并茂地解释了高斯过程，并授权论智将文章分享给中国读者。
注：本文为系列第一篇，虽用可视化形式弱化了数学推导，但仍假设读者具备一定机器学习基础。
现如今，高斯过程可能称不上是机器学习领域的炒作核心，但它仍然活跃在研究的最前沿。从AlphaGo到AlphaGo Zero，Deepmind在MCTS超参数自动调优上一直表现出对高斯过程优化的信心，而这的确是它的优势领域。当涉及丰富的建模可能性和大量随机参数时，高斯过程十分简单易用。
但是，掌握高斯过程不是一件简单的事，尤其是如果你已经用惯了深度学习常用的那些模型。为了解决这个问题，我特意撰写了这篇文章，并用一种直观地、可视化的方式结合理论向初学者介绍。我已在github上传了我的Jupyter Notebook，建议读者前往下载，并结合函数图像和代码来对整个概念建立清晰认识。
什么是高斯过程？
高斯过程（GP）是一种强大的模型，它可以被用来表示函数的分布情况。当前，机器学习的常见做法是把函数参数化，然后用产生的参数建模来规避分布表示（如线性回归的权重）。但GP不同，它直接对函数建模生成非参数模型。由此产生的一个突出优势就是它不仅能模拟任何黑盒函数，还能模拟不确定性。这种对不确定性的量化是十分重要的，如当我们被允许请求更多数据时，依靠高斯过程，我们能探索最不可能实现高效训练的数据区域。这也是贝叶斯优化背后的主要思想。
如果你给我几张猫和狗的图片，要我对一张新的猫咪照片分类，我可以很有信心地给你一个判断。但是，如果你给我一张鸵鸟照片，强迫我说出它是猫还是狗，我就只能信心全无地预测一下。 ——Yarin Gal
为了更好地介绍这一概念，我们假定一个没有噪声的高斯回归（其实GP可以扩展到多维和噪声数据）：
假设有一个隐藏函数：f：ℝℝ，我们要对它建模；
fx
用高斯建模函数
GP背后的关键思想是可以使用无限维多变量高斯分布来对函数进行建模。换句话说，输入空间中的每个点都与一个随机变量相关联，而它们的联合分布可以被作为多元高斯分布建模。
这是什么意思呢？让我们从一个简单的例子开始：二维高斯分布。
上式可以被可视化为一个3D的钟形曲线，其中概率密度为其高度。如果我们不把它作为一个整体来看，而是从它的分布中抽样，那会怎么样？比如说，我们一次从图中抽取两点，反复进行10次，并把第一个值记录在x=0，第二个值在x=1，然后在两点间绘制线段。
如图所示，这10根线条就是我们刚才抽样的10个线性函数。那如果我们扩展到20维，它们会呈怎样的分布呢？
经过调整，我们得到了这样的函数曲线，虽然整体非常杂乱，但它们包含了许多有用的信息，能让我们推敲想从这些样本中获得什么，以及如何改变分布来获得更好的样本。
多元高斯分布有两个重要参数，一个是均值函数，另一个是协方差函数。如果只改变均值，那我们改变的只有曲线的整体趋势（如果均值函数是上升的，例：np.arange(D)，曲线就会有一个整体的线性上升趋势），而锯齿状的噪声形状依然存在。鉴于这个特征，我们一般倾向于设GP的均值函数为0（即使不改变均值，GP也能对许多函数建模）。
解决了曲线形态，那么接下来，我们就要为它们增加一些平滑度（smoothness）。例如，如果两个样本非常接近，那我们自然会希望它们的函数值，即y值也非常相近。而把这个放进我们的模型中，就是样本附近的随机变量对应到它们联合分布（高维协方差）上的值应当和样本对应的值十分接近。
现在，这些点的协方差被定义在高斯协方差矩阵中，考虑到我们有的是一个N维的高斯模型：y0,…,yN，那么这就是一个N×N的协方差矩阵Σ，那么矩阵中的(i,j)就是Σij=cov(yi,yj)。换句话说，协方差矩阵Σ是对称的，它包含了模型上所有随机变量的协方差（一对）。
用核函数实现平滑
那么我们该如何定义我们的协方差函数呢？这时高斯过程的一个重要概念核函数（kernel）就要登场了。为了实现我们的目的，我们可以设一个平方形式的核函数（最简形式）：
当x=x′时，核函数k(x,x′)等于1；x和x′相差越大，k越趋向于0。
我们可以这样绘制核函数的曲线，并观察图像变化：当x=x′时，函数值最大；当两个输入变得越来越不同，曲线逐渐呈平滑下降趋势。
为了实现平滑度，我们会希望xi和xj的协方差yi和yj就等于核函数k(xi,xj)——xi、xj越接近，协方差越高。
利用上文中的函数，我们可得矩阵（xs,xs）。接下来，让我们从20维高斯分布中抽取另外10个样本，不同的是，这一次我们用了新的协方差矩阵。
现在，我们似乎获得了一些看起来有点用的函数分布。随着维数增加，我们甚至不再需要连接各个点，因为我们可以为任何可能的输入指定一个点。
那么，如果进一步提高维数，比如到100维呢？
用先验和观察进行预测
现在我们已经有了一个函数分布，之后就要用训练数据来模拟那个隐藏函数，从而预测y值。
首先，我们需要一些训练数据。
隐藏函数f
为了介绍它，我先用一个5次方程：
之所以这么选，是因为它的图适合讲解，事实上我们可以随便设。
数学计算
现在我们到了GP的核心部分，需要涉及一点点数学计算，但它其实只是我们用来调整观测数据联合分布的一种方法。
我们用多元高斯分布对p(yx)建模：
K=κ(x,x)，均值函数m(x)=0。
这是一个先验分布，表示在观察任何数据前，我们期望在输入x后获得的输出y。
之后，我们导入一些输入为x的训练数据，并输出y=f(x)。接着，我们设有一些新输入x∗，需要计算y∗=f(x∗)。
我们将所有y和y∗的联合分布建模为：
其中，K=κ(x,x)， K∗=κ(x,x∗)， K∗∗=κ(x∗,x∗)，均值函数为0。
现在，模型成了p(y,y∗x,x∗)，而我们需要的是y∗。
调节多元高斯分布
比起反推回去，其实我们可以利用这个标准结果。由于我们已有y和y∗的联合分布，在这个基础上我们想对y的数据做条件处理，那就会得到：
这就是基于先验分布和观察值计算出的关于y∗的后验分布。
注：由于K条件不当，以下代码可能是不准确的，我会在第二篇文章中介绍一种更好的方法。
这样，我们就能根据这两个参数从条件分布中抽取样本。在这里，我们设真函数f(x)与它们相对应。由于使用了GP，每个随机变量的方差中会包含不确定性，而矩阵中第i个随机变量的协方差是Σ∗ii，也就是矩阵Σ∗的一个对角元素，所以在这里，我们得到样本的标准差为±2。
下篇预告
在实现中，为了获得更好的训练效果，我们往往要做更多调整计算。你也许已经注意到了，GP包含两个非常重要的参数σ和l，如果你在之前采集样本的时候尝试改变过它们，那你会发现图像在垂直和水平方向上的神奇变化。例如，如果我们期望更大范围的输出，我们就需要相应地放大参数σ。事实上，和所有会用到核函数的方法一样，如果有需要，我们甚至可以完全改变核函数。
尽管选择核函数是专家学者们的事，但是通过控制loss最小化，我们可以自动选择参数，而这正是高斯过程带给我们的。
此外，我们还要考虑样本不完美，即出现噪声数据的情况。在这时，我们需要把这种不确定性归于模型并做一些泛化调整。
https://blog.csdn.net/yangmingliang666/article/details/79645782
Gaussian Process for Regression
对于服从高斯分布的数据，如何根据前面输入输出训练得到一个预测型从而送入一个输入量得到的那个值尽可能的逼近期望值，入下图所示根据前面六点输入输出求解x=0.2时候的对应值：
1、符号介绍
2、公式推导
3、核心代码
4、模型结果
5、总结
1、符号介绍
x已知范围内的样本值
x’与x不同的样本值，或预测值
回归函数f(x)
l 为计算协方差函数k(x,x’) 的参数
sigmaf2sigmaf2或sigmaf为回归函数方差或样本最大协方差,sigman2sigman2 或sigman为噪声方差
K样本协方差阵，K*预测值和样本的协方差阵,K**预测值方差
P(y∗/y)P(y∗/y)条件概率
2、公式推导
3、核心代码
MATLAB仿真代码：
%一：计算样本的协方差阵
for i=1:6;
x1=x(i);
for j=1:6;
x2=x(j);
covar(i,j)= sigmaf^2 * exp(-(x1-x2)^2/(2*l^2));
if x1==x2;
covar(i,j) = covar(i,j)+sigman^2;
end
end
end
%二：预测值的方差KK
KK=sigmaf^2 * exp(-(X-X)^2/(2*l^2))+sigman^2; %预测点的方差
fprintf('KK=\n')
disp(KK());
%三：样本点与预测点的协方差矩阵k
k=zeros(1,6); %初始化
for i=1:6;
x1=x(i);
k(1,i)= sigmaf^2 * exp(-(x1-X)^2/(2*l^2));
end
fprintf('k=\n')
disp(k);
%四：求解均值u，并画出图像
ylabel('竖坐标y')
u=k*(covar^-1)*y; %均值u的计算公式，作为预测值
fprintf('u=\n')
disp(u);
%五：求解var(y)
var=KK-k*(covar^-1)*k'; %方差var的计算公式
4、模型仿真结果
程序运行结果：
预测模型求值结果：
高斯拟合曲线结果：
总结
对于预测类型问题主要是求解预测模型模型中的参量，得到回归性函数。模型中的参量求解越精准，其模型就越适应于研究的问题，所以说模型都是万能的也都不是万能的。
sklearn实战-乳腺癌细胞数据挖掘(博客主亲自录制视频教程，QQ：231469242)
https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share
