您是否想将贝叶斯非参数方法应用于回归？是否被基于内核的学习所提供的灵活性所吸引？在非平稳的多输出环境中使用结构化的内核插值法或各种训练条件诱导点方法时，是否感到困扰？如果是，runlmc是为您设计的解决方案。
runlmc是一个Python 3.5+软件包，扩展结构化高斯过程模型的可伸缩推断（Staaçi2012）和大规模高斯过程的思考（Wilson等人2015），以适应多输出回归的非平稳设置。对于单输出设置，MATLAB实现也可以使用。
换句话说，这为某些协方差提供了多输出GP的无矩阵实现，并且据我所知，这是Python中唯一的单输出GP无矩阵实现。目前，该方法只适用于零均值模型，输入维度是可变的，但每个内核中的有效维数仍限制为两个。尽管如此，模型可以包含多个内核，每个内核可以作用于不同的维度子集。
GPy是一个更通用的GP库，并对runlmc库的开发有着重要影响。开发者在此库中尽量忠于GPy的结构，并重用了大量代码。将runlmc方法直接添加到GPy中的主要挑战在于...