Python - 在scikit_learn中的Kriging(高斯过程)

Question

我正在考虑使用这种方法来插入我所拥有的一些3D点.作为输入,我在一个区域的不同高度处具有大气浓度的气体.我的数据显示为垂直高度每隔几英尺几十英尺的值,但水平分隔数百英尺(所以'列'紧凑的值).

假设在任何给定时间点,值在垂直方向上的变化明显大于在水平方向上的值.

我想用这个假设来执行3D克里金法(作为我可以调整的参数或统计定义的参数 - 或者/或).

我相信scikit学习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数据网格中.理想情况下,我希望[x_location,y_location,value]的输出与这些(或类似的)距离分开.

不幸的是,我没有太多的时间来玩它,所以我只是希望在深入研究它之前弄清楚这是否可能在Python中.谢谢!

Answer 1

是的，您绝对可以在中执行此操作scikit_learn。

实际上，您可以使用各向异性协方差内核，这是克里格/高斯过程回归的基本功能。

如手册中所精确说明的（如下所述），您可以自己设置协方差的参数或进行估计。您可以选择使所有参数相等或全部不同。

theta0：double array_like，可选形状为（n_features，）或（1，）的数组。自相关模型中的参数。如果还指定thetaL和thetaU，则将theta0视为最佳参数集的最大似然估计的起点。默认情况下假设theta0 = 1e-1的各向同性自相关模型。