Cách tiếp cận ưa thích và hiệu quả để nội suy dữ liệu đa chiều là gì?

Cách tiếp cận ưa thích và hiệu quả để nội suy dữ liệu đa chiều là gì?

Điều tôi lo lắng:

1. hiệu suất và bộ nhớ cho xây dựng, đánh giá đơn / đợt
2. xử lý kích thước từ 1 đến 6
3. tuyến tính hoặc cao hơn
4. khả năng thu được độ dốc (nếu không tuyến tính)
5. lưới thường xuyên vs phân tán
6. sử dụng như Hàm nội suy, ví dụ để tìm gốc hoặc để giảm thiểu
7. khả năng ngoại suy

Có thực hiện mã nguồn mở hiệu quả này không?

Tôi đã có một phần may mắn với scipy.interpolate và giết chết từ scikit-learn.

Tôi đã không thử splines, đa thức Ch Quashev, v.v.

Đây là những gì tôi tìm thấy cho đến nay về chủ đề này:

Nội suy tuyến tính Python 4D trên lưới hình chữ nhật

Nội suy nhanh dữ liệu 3D được lấy mẫu thường xuyên với các khoảng khác nhau theo x, y và z

Nội suy nhanh dữ liệu lưới thông thường

Phương pháp nội suy phân tán đa biến nào là tốt nhất cho sử dụng thực tế?

Đối với phần đầu tiên của câu hỏi của tôi, tôi thấy so sánh rất hữu ích này cho hiệu suất của các phương pháp nội suy tuyến tính khác nhau bằng cách sử dụng các thư viện python:

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

Dưới đây là danh sách các phương pháp được thu thập cho đến nay.

Nội suy độc lập, lưới có cấu trúc:

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

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

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

Lưới không cấu trúc (phân tán):

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

2 dự án lớn bao gồm nội suy:

https://github.com/sloriot/cgal-bindings (các bộ phận của CGAL, GPL / LGPL được cấp phép)

https://www.earthsystemcog.org/projects/esmp/ (Giấy phép của Đại học Illinois-NCSA ~ = MIT + BSD-3)

Lưới thưa thớt:

https://github.com/EconForge/Smolyak

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

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

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

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

Kriging (Quy trình Gaussian):

http://scikit-learn.org/urdy/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/surrogHRodels/kriging_surrogate.html

GPL chung được cấp phép:

https://github.com/rncarpio/delaunay_linterp

Tasmania

Bộ công cụ cho mô hình hóa ngẫu nhiên thích nghi và xấp xỉ không xâm nhập - là một thư viện mạnh mẽ để tích hợp và nội suy chiều cao cũng như hiệu chuẩn tham số.

Liên kết Python cho Tasmanian:

https://github.com/rncarpio/py_tsg

https://github.com/sloriot/cgal-bindings (các bộ phận của CGAL, GPL / LGPL được cấp phép)