Я думаю, что есть проблема с данными и что ваш прогноз может быть немного оптимистичным c. Чтобы увидеть это, я использовал алгоритм KrigingAlgorithm , чтобы получить значение и доверительный интервал. Более того, я нанес данные на график, чтобы получить представление о ситуации.
Сначала я превратил данные в пригодный для использования массив Numpy:
import openturns as ot
import numpy as np
data = [
732018, 2.501, 95.094,
732018, 3.001, 91.658,
732018, 3.501, 89.164,
732018, 3.751, 88.471,
732018, 4.001, 88.244,
732018, 4.251, 88.53,
732018, 4.501, 89.8,
732018, 4.751, 90.66,
732018, 5.001, 92.429,
732018, 5.251, 94.58,
732018, 5.501, 97.043,
732018, 6.001, 102.64,
732018, 6.501, 108.798,
732079, 2.543, 94.153,
732079, 3.043, 90.666,
732079, 3.543, 88.118,
732079, 3.793, 87.399,
732079, 4.043, 87.152,
732079, 4.293, 87.425,
732079, 4.543, 88.643,
732079, 4.793, 89.551,
732079, 5.043, 91.326,
732079, 5.293, 93.489,
732079, 5.543, 95.964,
732079, 6.043, 101.587,
732079, 6.543, 107.766,
732170, 2.597, 95.394,
732170, 3.097, 91.987,
732170, 3.597, 89.515,
732170, 3.847, 88.83,
732170, 4.097, 88.61,
732170, 4.347, 88.902,
732170, 4.597, 90.131,
732170, 4.847, 91.035,
732170, 5.097, 92.803,
732170, 5.347, 94.953,
732170, 5.597, 97.414,
732170, 6.097, 103.008,
732170, 6.597, 109.164,
732353, 4.685, 91.422,
]
dimension = 3
array = np.array(data)
nrows = len(data) // dimension
ncols = len(data) // nrows
data = array.reshape((nrows, ncols))
Затем я создал Sample с данными масштабируя a, чтобы упростить вычисления.
x = ot.Sample(data[:, [0, 1]])
x[:, 0] /= 1.e5
y = ot.Sample(data[:, [2]])
Создать метамодель кригинга просто с трендом ConstantBasisFactory и ковариационной моделью SquaredExponential.
inputDimension = 2
basis = ot.ConstantBasisFactory(inputDimension).build()
covarianceModel = ot.SquaredExponential([0.1]*inputDimension, [1.0])
algo = ot.KrigingAlgorithm(x, y, covarianceModel, basis)
algo.run()
result = algo.getResult()
metamodel = result.getMetaModel()
Метамодель кригинга может затем использоваться для предсказания:
a = 732107 / 1.e5
b = 4.92
inputPrediction = [a, b]
outputPrediction = metamodel([inputPrediction])[0, 0]
print(outputPrediction)
Это печатает:
95.3261715192566
Это не соответствует вашему предсказанию и имеет меньшую амплитуду, чем предсказание RBF.
Чтобы увидеть это более четко, я создал график данных, метамодели и точки для прогнозирования.
graph = metamodel.draw([7.320, 2.0], [7.325,6.597], [50]*2)
cloud = ot.Cloud(x)
graph.add(cloud)
point = ot.Cloud(ot.Sample([inputPrediction]))
point.setColor("red")
graph.add(point)
graph.setXTitle("a")
graph.setYTitle("b")
Это дает следующую графику:
Вы видите, что справа есть выброс: это последний пункт в таблице. Точка, которая должна быть предсказана, отмечена красным в левом верхнем углу графика. В окрестности этой точки слева направо мы видим, что кригинг увеличивается с 92 до 95, затем снова уменьшается. Это генерируется очень высокими значениями (близкими к 100) в верхней части домена.
Затем я вычисляю доверительный интервал прогноза кригинга.
conditionalVariance = result.getConditionalMarginalVariance(
inputPrediction)
sigma = np.sqrt(conditionalVariance)
[outputPrediction - 2 * sigma, outputPrediction + 2 * sigma]
Это приводит к:
[84.26731758315441, 106.3850254553588]
Следовательно, ваш прогноз 90,79 содержится в 95% доверительном интервале, но с довольно высокой неопределенностью.
Исходя из этого, я бы сказал, что кубический c RBF преувеличивает изменения в данных, что приводит к довольно высокому значению.