您可能可以使用代理模型$g$你的功能$f$使用克里金法，例如通过代理模型进行工程设计，以及来自 sklearn 的 GaussianProcess for python。

真的很简短；使用它你可以建立一个预测$g(x)$及其方差$s^2(x)$对所有人$x$从有限数量的样本点$X$如 ：

$$\begin{equation}\label{eq:pred} g(x) ={p}_x^T\tilde{\beta} + {r_x}^T{R}^{-1}{f_x}-{P}{\tilde{\beta}}) \end{equation}$$

$$\begin{equation}\label{eq:var} s^2({x}) = \tilde{\sigma}^2[1+{r_x}^T{R}^{-1}{r_x}] \end{equation}$$

在哪里$p_x$是的响应$x$到一个选定的多项式回归和$P$学习点对这种回归的反应。$r_x$是相关向量$x$和$R$学习点的相关矩阵$X$. 最后，$\tilde{\beta}$和$\tilde{\sigma^2}$是已知系数。

然后，为了节省调用昂贵函数的次数$f$：

1- 建立第一个代理$g$具有有限且合理数量的学习点 (DOE)

2- 用一个新的学习点来丰富你的代理人，这个学习点是根据一个标准选择的$s$. 在代理项最差、误差最大的地方添加一个学习点。

3- 重复 2 直到获得满意的结果$g$, 这很容易评估。

所以，评估的数量是样本点的数量$X$加上浓缩的次数。