在比较两种不同的机器学习算法或比较相同的算法与不同的配置时，收集一组结果是一个好习惯。
scipy.interpolate.splrep(x, y, w=None, xb=None, xe=None, k=3, task=0, s=None, t=None, full_output=0, per=0, quiet=1):找到一维曲线的B样条表示。给定数据点集(x[i], y[i]),在区间xb <= x <= xe上,确定一阶导数连续的、次数为k的平滑样条近似。
请参阅splev以评估样条及其导数。使用来自 FITPACK 的 FORTRAN 例程curfit。 用户有责任确保x是独一无二的。否则,splrep不会返回合理的结果。 如果提供,结t必须满足Schoenberg-Whitney条件,即必须有数据点的子集x[j]这样t[j] < x[j] < t[j+k+1], 为了j=0, 1,...,n-k-2. 此例程 zero-pads 系数...