高斯过程回归（GPR）依赖协方差函数刻画数据相关性，适用于小样本、不确定性估计与物理可解释性任务；需选对核函数、标准化输入输出、用边际似然优化超参，并利用预测标准差评估不确定性。
高斯过程回归（GPR）不是“黑箱拟合器”，它靠协方差函数刻画数据的内在相关性，适合小样本、带不确定性估计、需物理可解释性的预测任务——比如传感器校准、材料性能建模、实验响应面拟合。
选对核函数，比调参更重要
核函数决定GPR如何理解“相似点”。默认的RBF核（径向基函数）平滑但可能过泛化；遇到周期性信号（如温度日变化），加个周期核；有趋势项（如随时间缓慢上升的退化数据），叠加一个线性核或白噪声核处理测量误差。scikit-learn中可用sklearn.gaussian_process.kernels组合构建，例如：
kernel = RBF(length_scale=1.0) * ConstantKernel(1.0) + WhiteKernel(noise_level=1e-2)——乘号表示自动相关，加号表示独立效应。
训练前务必标准化输入输出
GPR对量纲敏感：温度（℃）和压力（MPa）数值范围差三个数量级，不缩放会导致优化器在超参空间“迷路”。用StandardScaler或MinMaxScaler统一到均值为0、方差为1（或[0,1]区间）。注意：对y做标准化后，预测完要反变换回原
始单位，且预测方差也要同步缩放（乘以y_std²）。
用边际似然最大化自动选超参，别硬调
GPR训练本质是最大化对数边际似然（log-marginal-likelihood），它自动权衡拟合优度与模型复杂度。scikit-learn的GaussianProcessRegressor默认开启optimizer="fmin_l_bfgs_b"，会迭代搜索最优核参数。若收敛失败，可设n_restarts_optimizer=5多起点重试；也可手动指定初值（如length_scale粗略设为输入特征范围的1/5）加快收敛。
预测时别只取均值，善用标准差
- 调用predict(X_test, return_std=True)直接得预测均值+标准差，后者反映局部不确定性——稀疏区域、远离训练点处标准差自然变大；
- 用标准差构造95%置信区间（均值±1.96×std），可视化能直观暴露模型“没把握”的区域；
- 若下游要做主动学习或采样决策，可基于方差选下一轮最值得测量的点（即最大不确定性采样）。
基本上就这些。GPR不是万能，样本超2000点时计算开销陡增（O(n³)），这时可考虑稀疏GPR或转用随机森林+分位数回归替代。关键在理解核的设计逻辑，而不是把数据扔进去等结果。
