Nehmen wir an, ich habe eine lückenlose Zeitreihe x, mit einer bestimmten Messung durch die Zeit. Ich habe auch ein Maß für die Unsicherheit sx (sagen wir die Standardabweichung von x in einem bestimmten Intervall). Ich möchte nur im Grunde die Zeitreihe füllen, aber ich möchte die Messunsicherheit und hoffentlich die Interpolationsunsicherheit propagieren. In der Vergangenheit habe ich Tikhonov-Regularisierung verwendet, um dies zu erreichen (d. H., Eine Glätteeinschränkung hinzuzufügen), aber ich würde eher eine out-of-the-box-Routine von scipy verwenden. Ich kann sehen, dass die Scipy-Spline-Interpolationsroutinen einen Glättungsparameter verwenden (der hier für sx abgeleitet werden würde), berechnet aber nicht die Unsicherheit der interpolierten Serie.Interpolation und Schätzung der Unsicherheit
Ich frage, weil ich nicht denke, es ist eine triviale Berechnung, und um zu sehen, ob jemand weiß, ob diese Fähigkeit verfügbar ist.
Eine Möglichkeit, dies zu tun, ist die Verwendung eines Gaußschen Prozesses. Werfen Sie einen Blick auf scikits.learn: http://scikit-learn.org/stable/modules/gaussian_process.html (Auch Kriging ist eine spezielle Art von Guassian-Prozess, und es ist eine Methode, auf die Sie in der Welt der Interpolation stoßen werden viel) –
Für ein komplettes Beispiel mit scikit-learn: http://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gp_regression.html –
Ja, ich bin mir dessen bewusst, aber ich hatte gehofft die scpy Spline-Routinen könnte Unsicherheit "out of the box" bieten. – Jose