以下是一个使用Python和SciPy库进行二维Kriging模型训练和可视化的简单示例代码：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import griddata
# 生成随机数据作为训练集
np.random.seed(0)
x = np.random.random(20)
y = np.random.random(20)
z = np.sin(x*2*np.pi) + np.cos(y*2*np.pi)
# 定义网格点的坐标范围
xi = np.linspace(0, 1, 100)
yi = np.linspace(0, 1, 100)
xi, yi = np.meshgrid(xi, yi)
# 训练Kriging模型并进行插值预测
zi_list = []
for i in range(len(x)):
points = [(x[j], y[j]) for j in range(i+1)]
values = z[:i+1]
zi = griddata(points, values, (xi, yi), method='cubic')
zi_list.append(zi)
# 可视化过程，逐步展示Kriging模型的精确性提升
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
for i in range(len(x)):
ax.clear()
ax.plot_surface(xi, yi, zi_list[i], cmap='viridis')
ax.scatter(x[:i+1], y[:i+1], z[:i+1], c='r', marker='o')
plt.pause(0.5)
plt.show()
这段代码生成了一个随机的二维训练集，然后通过循环逐步训练Kriging模型并进行插值预测，同时可视化出每一次训练后的3D图像。你可以根据需要修改和扩展代码，例如调整随机数据生成方法、调整网格点坐标范围等来适应你的实际需求。
内容由零声教学AI助手提供，问题来源于学员提问
