非结构化数据的快速多维插值
Fast multidimensional interpolation of unstructured data
我在多维space中有数万个非结构化点。我想将这些插入到数以万计的其他非结构化点中。插值可以平滑，但分段线性是首选，我希望它比最近邻插值更平滑。可能需要外推，所以 LinearNDInterpolator is out. The input and output points will consist of clusters, so it is inefficient to use methods such as scipy's RBF 插值器因为我相信这将使用所有输入点来计算每个输出点，即使许多输入点彼此相似。
to a similar question表示在输入数量较大时可以使RBF插值更有效，但没有包括细节。怎么做到的？
由于我可以忍受平滑处理，而且许多输入彼此相似，支持向量回归可能是合适的。是否有适合这种情况的其他方法（最好是具有 Python 接口的方法）？
数以万计的点并不多，即使对于 RBF 方法，尤其是如果您可以通过聚类和去除冗余点来进一步细化它们。
一个合适的 RBF 库，就像这里推荐的 , should be able to handle this especially with the compactly supported basis kernels (called Wendland in https://rbf.readthedocs.io/en/latest/basis.html)。
你能试试那个库吗，玩一下内核和它们的参数，我希望你能找到 RBF 方法的成功。
我在多维space中有数万个非结构化点。我想将这些插入到数以万计的其他非结构化点中。插值可以平滑，但分段线性是首选，我希望它比最近邻插值更平滑。可能需要外推，所以 LinearNDInterpolator is out. The input and output points will consist of clusters, so it is inefficient to use methods such as scipy's RBF 插值器因为我相信这将使用所有输入点来计算每个输出点，即使许多输入点彼此相似。
由于我可以忍受平滑处理，而且许多输入彼此相似，支持向量回归可能是合适的。是否有适合这种情况的其他方法（最好是具有 Python 接口的方法）？
数以万计的点并不多，即使对于 RBF 方法，尤其是如果您可以通过聚类和去除冗余点来进一步细化它们。
一个合适的 RBF 库，就像这里推荐的
你能试试那个库吗，玩一下内核和它们的参数，我希望你能找到 RBF 方法的成功。