高斯过程回归 | Python高斯过程 Gaussian Process

一个高斯分布可以用mean vector 和covariance matrix来表示。均值向量描述了从高斯分布重复采样的集中趋势，协方差矩阵描述了点之间的相关性。（The mean vector describes the central tendency if we were to sample from the Gaussian distribution repeatedly, and the covariance matrix describes how the features of the data are related to each other）

多元高斯分布的边缘分布和条件分布
一个二元高斯分布，它有两个特征，x1和x2。在处理多元高斯分布时，我们通常对特征分布的边缘分布和条件分布感兴趣。

从高斯分布抽样
单变量高斯分布
如何生成遵循某种特定分布的样本呢？

总结：从期望的单变量高斯分布中获取随机样本，通过三个步骤：

从均匀分布中采样
使用inverse  cumulative function，转换成相应的CDF值
进行scale-location变换

多变量高斯分布
那么，如何拓展到多元情形呢？如何从具有任意均值向量和协方差矩阵的二元高斯分布中采样？
从标准的二元正态分布抽样开始，然后进行scale-location变换。