原文链接
侵删。
不，它所代表的是对应x=2时的一个随机变量X_{x=2}"正好"出现的点罢了，本质上对应x=2的是一个随机变量而不是一个确定的点。
除此之外，若是GP的样本，还需要满足的是，任意个点（对应不同时刻的随机变量）联合需要服从多元高斯分布。
因此GP的分布就是对于时间域上所有随机变量的联合分布。
一个GP可以被mean和covariance function共同唯一决定！:
一个高斯分布可以被mean和variance共同唯一决定
多元高斯分布可以对mean vector和covariance matrix共同唯一决定。
表达形式，而不是样本唯一，比如上面的图片就是来自同一个GP的不同样本。
GP在机器学习中的应用中，一般数据需要进行预处理，而归零中心常常是必须做的。不过，除了0以外，一些线性的mean function也是可以被考虑的。
covariance function = kernel fcn
common function:
“满足高斯分布的随机变量”？？？？？
举个并不太恰当的例子，倘若你人生的每一个时刻看做一个随机变量，且都是满足高斯分布，那么你的人生就可以看做一个高斯过程，既有很多确定的东西，确定的是mean和kernel，如你的人生中你起点决定的你人生的大致范围，又有极大地不确定性，本质还是随机变量的整体，就像你可以凭借自身的努力改变很多东西，这就是属于你的高斯过程。
服从正态分布：某某变量『服从正态分布』，意思就是可以用正态分布来描述该变量。某种程度上，可以把『服从』当成『（已被）驯化』理解。当我们能用某个已知的分布模型描述一个变量的时候，则可以设想成该变量已被『驯化』，对该变量进行分析就不需要重新建模，而可以直接套用对该分布的既有知识去解决问题，省略了好多烦心事。
作者：niaocu
链接：https://www.zhihu.com/question/36674692/answer/68544116
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
