由于不明显的早期症状和不完善的影像学检查方法，现有的早期和鉴别诊断口腔癌的方法受到限制。本文利用混合高斯过程（HGP）分类算法建立了口腔腺癌，癌组织和仅具有四个特征的对照组的分类模型，并介绍了降噪和​​后验概率的机制。 HGP在实验结果中显示出更好的性能。在实验过程中，口腔组织分为三组：腺癌（n = 87），癌（n = 100）和对照组（n = 134）。收集了这些组的光谱数据。拟议的HGP分类方法的前瞻性应用将诊断灵敏度提高到56.35％，特异性提高到大约70.00％，并且得到的马修斯相关系数（MCC）为0.36。事实证明，HGP在LRS检测分析中用于口腔癌的诊断具有准确的结果。应用前景也令人满意。

高斯过程(GP)模型是非参数贝叶斯回归的一种灵活方法。然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs (single-task GPs, STGP)。在此，利用GPs同时对多个相关单变量生理时间序列进行建模。由此产生的多任务GP (MTGP)框架可以学习多个信号之间的相关性，即使它们可能以不同的频率采样，并具有针对不同间隔的训练集。MTGPs可有效地学习了生理时间序列之间的相关性，从而提高了建模精度。 多任务高斯过程模型 Matlab工具箱 （包括多个例子）

用高斯过程实现贝叶斯分类中描述的拉普拉斯近似，用于二元和多类分类。

基于高斯过程分类和回归的最新代码，物超所值