Python - 克里格（高斯過程）在scikit_learn

我正在考慮使用這種方法來插入我有的一些3D點。作爲一個輸入，我在一個地區的不同高度上都有大氣濃度的氣體。我所看到的數據是每隔幾英尺垂直高程幾十英尺的數值，但水平分隔數百英尺（所以緊密排列的「列」）。Python - 克里格（高斯過程）在scikit_learn

這個假設是，在任何給定的時間點，垂直方向的數值顯着大於水平方向的數值。

我想執行三維克裏格法的假設佔（作爲一個參數，我可以調整，或者是統計定義 - 或/）。

我相信scikit學習模塊可以做到這一點。如果可以，我的問題是如何創建離散單元格輸出？也就是說，輸出到尺寸爲50 x 50 x 1英尺的3D數據網格中。理想情況下，我希望將[x_location，y_location，value]的輸出與這些（或相似）距離分開。

不幸的是我沒有足夠的時間去玩弄它，所以我只是希望在深入研究之前弄清楚在Python中這是否可行。謝謝！

來源

2015-05-27 Cliff S

是的，你絕對可以在scikit_learn這樣做。

事實上，它是克里金/高斯過程迴歸的基本特徵，您可以使用各向異性協方差內核。

由於它在manual（下面引用）中進行了精簡，您可以自己設置協方差的參數或估計它們。你可以選擇所有參數相同或不同。

theta0：double array_like，可選帶形狀（n_features）或（1，）的數組。自相關模型中的參數爲。如果還指定thetaL和thetaU，則認爲該最佳可能性的起點是對最佳參數組的估計。默認假定各向同性具有theta0 = 1e-1的自相關模型。

來源

2015-06-03 10:42:25 Pop

在2D情況下，這樣的事情應該工作：

import numpy as np 
from sklearn.gaussian_process import GaussianProcess 

x = np.arange(1,51) 
y = np.arange(1,51) 
X, Y = np.meshgrid(lons, lats) 

points = zip(obs_x, obs_y) 
values = obs_data # Replace with your observed data 

gp = GaussianProcess(theta0=0.1, thetaL=.001, thetaU=1., nugget=0.001) 
gp.fit(points, values) 
XY_pairs = np.column_stack([X.flatten(), Y.flatten()]) 
predicted = gp.predict(XY_pairs).reshape(X.shape)

來源

2017-04-06 17:22:00

Python - 克里格（高斯過程）在scikit_learn

回答

相關問題