4

我已经安装了 Numpy 和 SciPy，但我不太了解他们关于polyfit.

例如，这是我的三个数据样本：

[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074]
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074]
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074]
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]

前两列是样本特征，第三列是输出，我的目标是获得一个可以接受两个参数（前两列）并返回其预测（输出）的函数。

有什么简单的例子吗？

====================== 编辑======================

请注意，我需要适合 a 之类的东西curve，而不仅仅是直线。多项式应该是这样的（n = 3）：

a*x1^3 + b*x2^2 + c*x3 + d = y

不是：

a*x1 + b*x2 + c*x3 + d = y

x1, x2,x3是一个样本的特征，y是输出

4

1 回答 1

8

尝试类似的东西

编辑：添加了一个示例函数，该函数使用线性回归的结果来估计输出。

import numpy as np
data =np.array(
[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]
dependent = data[:,-1]

x,residuals,rank,s = np.linalg.lstsq(coefficient,dependent)

def f(x,u,v):
    return u*x[0] + v*x[1]

for datum in data:
    print f(x,*datum[0:2])

这使

>>> x
array([  0.16991146, -30.18923739])
>>> residuals
array([ 0.07941146])
>>> rank
2
>>> s
array([ 0.64490113,  0.02944663])

并且用您的系数创建的函数给出了

0.115817326583
0.142430900298
0.266464019171
0.859743371665

更多信息可以在我作为评论发布的文档中找到。

编辑 2：将您的数据拟合到任意模型。

编辑3：使我的模型成为易于理解的功能。

编辑 4：使代码更容易阅读/将模型更改为二次拟合，但您应该能够阅读此代码并知道如何使它现在最小化您想要的任何残差。

人为的例子：

import numpy as np
from scipy.optimize import leastsq

data =np.array(
[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]
dependent = data[:,-1]

def model(p,x):
    a,b,c = p
    u = x[:,0]
    v = x[:,1]
    return (a*u**2 + b*v + c)

def residuals(p, y, x):
    a,b,c = p
    err = y - model(p,x)
    return err

p0 = np.array([2,3,4]) #some initial guess

p = leastsq(residuals, p0, args=(dependent, coefficient))[0]

def f(p,x):
    return p[0]*x[0] + p[1]*x[1] + p[2]

for x in coefficient:
    print f(p,x)

给

-0.108798280153
-0.00470479385807
0.570237823475
0.413016072653
于 2013-07-17T04:22:08.560 回答