Çok boyutlu verilerin enterpolasyonu için tercih edilen ve etkili yaklaşım nedir?

Çok boyutlu verilerin enterpolasyonu için tercih edilen ve etkili yaklaşım nedir?

Endişelendiğim şeyler:

1. yapı için performans ve hafıza, tek / parti değerlendirme
2. 1'den 6'ya kadar olan taşıma ebatları
3. doğrusal veya daha yüksek dereceli
4. gradyan alma yeteneği (doğrusal değilse)
5. normal vs dağınık ızgara
6. Enterpolasyon Fonksiyonu olarak kullanılması, örneğin kökleri bulmak veya en aza indirmek için
7. dış değer bulma yetenekleri

Bunun etkin bir açık kaynak uygulaması var mı?

Scipy.interpolate ve scikit-learning'den kriging ile ilgili kısmi şansım oldu.

Spline, Chebyshev polinomları vs. denemedim.

İşte bu konuda şu ana kadar ne buldum:

Dikdörtgen bir ızgarada Python 4D doğrusal enterpolasyon

Düzenli olarak örneklenmiş 3B verilerin x, y ve z cinsinden farklı aralıklarla hızlı enterpolasyonu

Düzenli şebeke verilerinin hızlı enterpolasyonu

Pratik kullanım için en iyi çok değişkenli saçılmış enterpolasyon yöntemi nedir?

Sorumun ilk bölümünde, python kütüphanelerini kullanarak farklı doğrusal enterpolasyon yöntemlerinin performansı için bu çok faydalı karşılaştırmayı buldum:

http://nbviewer.ipython.org/github/pierre-haessig/stodynprog/blob/master/stodynprog/linear_interp_benchmark.ipynb

Aşağıda şu ana kadar toplanan yöntemlerin listesi bulunmaktadır.

Standart enterpolasyon, yapısal ızgara:

http://docs.scipy.org/doc/scipy-dev/reference/generated/scipy.ndimage.interpolation.map_coordinates.html

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.RegularGridInterpolator.html

https://github.com/rncarpio/linterp/

Yapılandırılmamış (dağınık) ızgara:

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.LinearNDInterpolator.html#scipy.interpolate.LinearNDInterpolator

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.griddata.html

http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.Rbf.html

İnterpolasyon içeren 2 büyük proje:

https://github.com/sloriot/cgal-bindings (CGAL’nin parçaları, lisanslı GPL / LGPL)

https://www.earthsystemcog.org/projects/esmp/ (Illinois-NCSA Lisans Üniversitesi ~ = MIT + BSD-3)

Seyrek ızgaralar:

https://github.com/EconForge/Smolyak

https://github.com/EconForge/dolo/tree/master/dolo/numeric/interpolation

http://people.sc.fsu.edu/~jburkardt/py_src/sparse_grid/sparse_grid.html

https://aerodynamics.lr.tudelft.nl/~rdwight/work_sparse.html

https://pypi.python.org/pypi/puq

Kriging (Gauss Süreci):

http://scikit-learn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcess.html

https://github.com/SheffieldML/GPy

https://software.sandia.gov/svn/surfpack/trunk/

http://openmdao.org/dev_docs/_modules/openmdao/lib/surrogatemodels/kriging_surrogate.html

Genel GPL lisanslı:

https://github.com/rncarpio/delaunay_linterp

Tazmanya

Uyarlanabilir Stokastik Modelleme ve İzinsiz Giriş Yaklaşımı için Araç Kiti - parametre kalibrasyonunun yanı sıra yüksek boyutlu entegrasyon ve enterpolasyon için sağlam bir kütüphanedir.

Tazmanya için Python bağlama:

https://github.com/rncarpio/py_tsg

https://github.com/sloriot/cgal-bindings (CGAL’nin parçaları, lisanslı GPL / LGPL)