值存在高斯不确定性。但是，这可能不是您所拥有的不确定性类型。例如，让我们假设输出值是严格正的，或者在两个值之间有界，那么高斯先验将是不合适的（或仅用作近似值）。$y$

SVM 有点相似，因为它们是基于内核的回归模型，您可以为其选择损失函数。但是，它们不提供概率解释（例如，如果您是顽固的贝叶斯主义者，这是一个很大的禁忌）。

内核方法与随机森林或神经网络有其他权衡。GP 内核允许我们在函数空间上指定先验，这非常有用，尤其是当我们的数据很少时。然而，错误的内核选择会导致对函数空间的误解，这会使收敛速度变慢。在最基本的之外指定适当的内核需要一些数学理解。另一方面，随机森林和神经网络是完全频繁的（通常），因此通常需要更多数据才能获得良好的预测性能。