0

在scikit-learn项目的这个链接中：http ://scikit-learn.org/stable/auto_examples/linear_model/plot_polynomial_interpolation.html ，展示了如何应用多项式插值来逼近某个函数。

这个例子是为二维点设置的。然而：

  • 如何扩展它以适应 3D 点？

  • 或者这甚至可以通过 scikit-learn 实现？在文档中我还找不到任何提示。

预先感谢您提供任何信息并致以最诚挚的问候。

担

编辑 1：

谢谢罗宾的回答！还指出复杂性的快速增长是一个有价值的提示！

到目前为止，我偶然发现了一个问题，它与 2D-array X inmodel.fit(X,z)

二维数组如下所示：

[[ 0.1010101   0.35353535]
 [ 0.4040404   0.65656566]
 [ 0.80808081  1.11111111]
 [ 1.21212121  1.31313131]]

而函数 z 是抛物面的函数：

(((x**2)/(4**2) + ((y**2)/(8**2))) * 2)

运行model.fit(X,z)返回以下错误消息：

ValueError: Found arrays with inconsistent numbers of samples: [10 20]

不一致从何而来？

4

1 回答 1

1

是的，同样的方法可以用于更高维度的数据。只需使用X包含更多列的相同代码即可。

# For some degree, X and y
model = make_pipeline(PolynomialFeatures(degree), Ridge())
model.fit(X, y)

添加一些背景信息：多项式特征预处理步骤只是创建所有可能的特征组合。这意味着即使对于 2d 输入和 2 度，特征空间已经是 6 维的(1, a, b, a*b, a*a, b*b)。随着更多的功能，这个数字增长得更快。

对于第二个问题，该fit函数只接受向量而不接受函数。因此，创建一个向量y = z(X[:,0],X[:,1])并在 fit 函数中使用它model.fit(X,y)。

于 2016-02-18T12:14:08.587 回答