（请参阅 todo.md 文件以获取当前发展的最新信息。）

代码示例

use friedrich::gaussian_process::GaussianProcess;

// trains a gaussian process on a dataset of one-dimensional vectors
let training_inputs = vec![vec![0.8], vec![1.2], vec![3.8], vec![4.2]];
let training_outputs = vec![3.0, 4.0, -2.0, -2.0];
let gp = GaussianProcess::default(training_inputs, training_outputs);

// predicts the mean and variance of a single point
let input = vec![1.];
let mean = gp.predict(&input);
let var = gp.predict_variance(&input);
println!("prediction: {} ± {}", mean, var.sqrt());

// makes several prediction
let inputs = vec![vec![1.0], vec![2.0], vec![3.0]];
let outputs = gp.predict(&inputs);
println!("predictions: {:?}", outputs);

// samples from the distribution
let new_inputs = vec![vec![1.0], vec![2.0]];
let sampler = gp.sample_at(&new_inputs);
let mut rng = rand::thread_rng();
println!("samples: {:?}", sampler.sample(&mut rng));

输入

该库的大多数方法目前可以与以下 输入 → 输出 对进行处理

• Vec<f64> → f64 单个，多维，样本
• Vec<Vec<f64>> → Vec<f64> 每个内部向量是一个训练样本
• DMatrix<f64> → DVector<f64> 使用每行一个样本的 nalgebra 矩阵
• ArrayBase<f64, Ix1> → f64 单个样本存储在 ndarray 数组中（使用 friedrich_ndarray 功能）
• ArrayBase<f64, Ix2> → Array1<f64> 每行是一个样本（使用 friedrich_ndarray 功能）

通过 Input 特性 提供添加您自己的对的方法。

为什么叫它 Friedrich？

高斯过程以 高斯分布 命名，而高斯分布本身是以 卡尔·弗里德里希·高斯 命名的。