Python - scikit_learn 中的克里金法(高斯过程)

Question

我正在考虑使用这种方法来插值我拥有的一些 3D 点。作为输入，我有某个区域不同海拔处的气体大气浓度。我所拥有的数据显示为垂直高度每隔几英尺的值，持续数十英尺，但水平方向间隔数百英尺(因此是紧密排列的值的“列”)。

假设在任何给定时间点，垂直方向上的值变化明显大于水平方向上的变化。

我想在考虑到该假设的情况下执行 3D 克里金法(作为我可以调整的参数或统计定义的参数 - 任一/或)。

我相信 scikit learn 模块可以做到这一点。如果可以，我的问题是如何创建离散单元输出？也就是说，输出到尺寸为 50 x 50 x 1 英尺的 3D 数据网格。理想情况下，我想要输出 [x_location, y_location, value] 并分隔这些(或类似)距离。

不幸的是，我没有太多时间来尝试它，所以我只是希望在深入研究之前弄清楚这在 Python 中是否可行。谢谢!

Answer 1

是的，您绝对可以在 scikit_learn 中做到这一点。

事实上，可以使用各向异性协方差核是克里金/高斯过程回归的基本特征。

正如 manual 中所述(如下所述)您可以自己设置协方差的参数或估计它们。您可以选择让所有参数相同或全部不同。

theta0 : double array_like, optional An array with shape (n_features, ) or (1, ). The parameters in the autocorrelation model. If thetaL and thetaU are also specified, theta0 is considered as the starting point for the maximum likelihood estimation of the best set of parameters. Default assumes isotropic autocorrelation model with theta0 = 1e-1.