При выборе метода построения сеточной функции необходимо учитывать размер исходного множества экспериментальных точек. В частности, некоторые методы построения сетей обрабатывают небольшие множества данных гораздо эффективнее, чем это делают другие методы.

Если множество экспериментальных данных содержит менее 10 точек, то Вы должны сначала решить, что Вы хотите получить в результате построения сети. Десяти или менее точек достаточно только для того, чтобы определить общий тренд поверхности.

Метод триангуляции (Triangulation with Linear Interpolation) неэффективен при работе с небольшим числом исходных точек.

Как показывает опыт, методы Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) строят наилучшие представления данных в большинстве случаев независимо от размера исходного множества экспериментальных точек.

Если Вы хотите только выявить тренд в Ваших данных, то можно использовать метод полиномиальной регрессии (Polynomial Regression ).

Для множеств, содержащих не более 10 точек, сеточная функция строится очень быстро, поэтому Вы можете попробовать разные методы и определить, какой из них работает наиболее эффективно на Ваших данных.

Если множество экспериментальных данных содержит небольшое число точек (менее 250 наблюдений), то в большинстве случаев хорошее представление данных можно получить с помощью методов Криге (Kriging) с линейной (Linear) вариаграммой и радиальных базисных функций (Radial Basis Functions) с мультиквадратичной (Multiquadric) базисной функцией.

Для множеств данных средних размеров (от 250 до 1000 наблюдений), очень удобен метод триангуляции (Triangulation with Linear Interpolation ); он работает достаточно быстро и строит хорошее представление данных. Методы Криге (Kriging ) и радиальных базисных функций (Radial Basis Functions ) также производят хорошую интерполяционную функцию, но работают более медленно.

Для больших множеств исходных данных (свыше 1000 наблюдений), предпочтителен метод минимальной кривизны (Minimum Curvature); он является самым быстрым и создает адекватное представление множества данных такого размера.

Метод триангуляции (Triangulation with Linear Interpolation ); работает несколько медленнее, но также строит хорошее представление данных.

Как и в большинстве других случаев, методы Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) построят наилучшие сеточные приближения, но на множествах большого размера они работают достаточно медленно.

Следует отметить один момент, касающийся работы методов Криге (Kriging) и радиальных базисных функций (Radial Basis Functions) с большими массивами экспериментальных данных. При существенном увеличении размера массива исходных данных время работы этих методов увеличивается весьма незначетельно. Например, время обработки массива в 3000 точек довольно мало отличается от времени обработки массива в 30000 точек. Построение сеточной функции для каждого из этих массивов данных требует значительного времени, но это примерно одно и то же время.