อะไรคือวิธีที่ต้องการและมีประสิทธิภาพสำหรับการแก้ไขข้อมูลหลายมิติ?

อะไรคือวิธีที่ต้องการและมีประสิทธิภาพสำหรับการแก้ไขข้อมูลหลายมิติ?

สิ่งที่ฉันกังวลเกี่ยวกับ:

1. ประสิทธิภาพและหน่วยความจำสำหรับการสร้างการประเมินผลเดี่ยว / ชุด
2. การจัดการมิติตั้งแต่ 1 ถึง 6
3. เชิงเส้นหรือสูงกว่าคำสั่ง
4. ความสามารถในการรับการไล่ระดับสี (ถ้าไม่ใช่เชิงเส้น)
5. กริดปกติกับกระจัดกระจาย
6. ใช้เป็นฟังก์ชัน Interpolating เช่นค้นหารากหรือย่อขนาด
7. ความสามารถในการอนุมาน

มีการใช้งานโอเพนซอร์ซที่มีประสิทธิภาพหรือไม่

ฉันมีโชคบางส่วนกับ scipy.interpolate และความสนใจจาก scikit เรียนรู้

ฉันไม่ได้ลอง splines, Chebyshev polynomials เป็นต้น

นี่คือสิ่งที่ฉันพบจนถึงในหัวข้อนี้:

Python 4D การประมาณเชิงเส้นในตารางสี่เหลี่ยม

การแก้ไขที่รวดเร็วของข้อมูล 3D ตัวอย่างเป็นระยะด้วยช่วงเวลาที่แตกต่างกันใน x, y และ z

การแก้ไขข้อมูลกริดแบบปกติอย่างรวดเร็ว

วิธีการแก้ไขแบบกระจายหลายตัวแปรที่ดีที่สุดสำหรับการใช้งานจริงคืออะไร?

ในส่วนแรกของคำถามของฉันฉันพบว่าการเปรียบเทียบที่มีประโยชน์มากสำหรับประสิทธิภาพของวิธีการประมาณค่าเชิงเส้นต่าง ๆ โดยใช้ไลบรารีหลาม:

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

ด้านล่างคือรายการวิธีการรวบรวมจนถึงปัจจุบัน

การแก้ไขมาตรฐานของ Standart ตารางที่มีโครงสร้าง:

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/

ตารางที่ไม่มีโครงสร้าง (กระจัดกระจาย):

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 โครงการขนาดใหญ่ที่มีการแก้ไข:

https://github.com/sloriot/cgal-bindings (ส่วนของ CGAL, GPL / LGPL ที่ได้รับใบอนุญาต)

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

กระจัดกระจายกริด:

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 (กระบวนการแบบเกาส์):

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

ใบอนุญาต GPL ทั่วไป:

https://github.com/rncarpio/delaunay_linterp

เดวิล

ชุดเครื่องมือสำหรับการสร้างแบบจำลองสโทแคสติกแบบปรับได้และการประมาณแบบไม่ล่วงล้ำ - เป็นห้องสมุดที่มีประสิทธิภาพสำหรับการรวมและการแก้ไขในมิติสูงรวมถึงการสอบเทียบพารามิเตอร์

Python สำหรับ Tasmanian:

https://github.com/rncarpio/py_tsg

https://github.com/sloriot/cgal-bindings (ส่วนของ CGAL, GPL / LGPL ที่ได้รับใบอนุญาต)