利用高斯过程回归预测模型GPR建立多特征输入-单个因变量输出的拟合预测模型（M
atlab程序内注释详细，可直接替换Excel数据使用）》
打开MATLAB新建脚本文件，把下面这段代码粘贴进去。先准备个多列数据的Excel表格，最后一列放
输出变量，前面几列都是特征，记得删掉表头只留纯数据。
```matlab
% 数据读取
data = xlsread('你的数据.xlsx'); % 替换文件路径
X = data(:,1:end-1); % 提取特征矩阵
y = data(:,end); % 提取目标变量
% 数据标准化（GPR对尺度敏感）
[X_normalized, X_params] = mapstd(X');
[y_normalized, y_params] = mapstd(y');
X_normalized = X_normalized'; % 转置回n×d格式
y_normalized = y_normalized';
```
这段预处理代码有个小心机——mapstd函数会自动计算数据的均值和标准差，比手动标准化省事多
了。标准化后的数据在训练时不容易出现数值不稳定问题，特别是特征量纲差异大的时候。
接下来是模型训练的核心部分：
```matlab
% 高斯过程回归模型配置
gpr_model = fitrgp(X_normalized, y_normalized, ...
'BasisFunction', 'constant', ...
'KernelFunction', 'squaredexponential', ...
'Standardize', false, ...
'OptimizeHyperparameters', 'auto', ...
'HyperparameterOptimizationOptions',...
struct('AcquisitionFunctionName','expected-improvement-plus'));
disp('训练完成，最优参数:')
disp(gpr_model.HyperparameterOptimizationResults.XAtMinObjective)
