Kriging笔记_代理模型由于Kriging模型不仅能对未知点的适应值进行预测，还能对其预测的不确定性进行估计。因此，其被广泛应用于代理模型辅助进化算法中，以解决昂贵单目标或多目标优化问题。使用下面的公式来估计未知点x的适应值：(均值+正态分布求解适应度值)

Python站点克里金插值（Kriging）在地理信息系统（GIS）和地质领域中，站点克里金插值（Kriging）是一种常用的空间插值方法。它利用观测点上的数据，通过对空间自相关性的建模，估计未观测位置上的数值。Python提供了一些库和工具，使得实施站点克里金插值变得简单和高效。本文将介绍Python中的站点克

这篇文章是转载的一个大神的，因为那个大神的知乎回答的公式坏了，因此整理了一下公式，分享一下，讲的真的挺好的，大神的博客链接：克里金(Kriging)插值的原理与公式推导-xg19900.引言——从反距离插值(IDW)说起空间插值问题，就是在已知空间上若干离散点\(\left(x_i,y_i\right)\)的某

效果如下：leaflet生成等值面网上搜索了好多资料但测试感觉都有点瑕疵，kriging.js 生成的canvas图片每个都是小方格影响美感，turf.js会有非法Polygon且有白色缝隙。就想着可

https://zhuanlan.zhihu.com/p/377620800一、前言克里金(Kriging)模型是贝叶斯优化的基础，贝叶斯优化在如今的工程中应用得非常广泛。我自己的研究方向也跟克里金模型有关