问题标签 [curve-fitting]

我有一个数据集，我需要拟合两个二次方程：

有没有一种方法可以在我同时考虑测量中的标准误差和曲线拟合误差的情况下估计误差？

我正在尝试使用fit命令行在 Matlab 中拟合曲线。输入数据为：

目标函数是

我正在使用fittype,fitoptions和fit如下：

我得到的结果rsquare大约为 -450，与测量的方向大致相同。. 如何提高 Matlab 拟合技能？

编辑：

我删除了.^-1fit 命令中的 。这改善了行为，但并不完全正确。如果我将 model1 设置为：

合身不好。如果我将其设置为：

合身性很好（kappa 是一个非常小的数字，pow 是负数）。

我也标准化Y了，我得到了合理的结果

我正在尝试对许多数据点进行高斯拟合。例如，我有一个 256 x 262144 的数据数组。需要将 256 个点拟合到高斯分布，我需要其中的 262144 个。

有时高斯分布的峰值超出数据范围，因此要获得准确的平均结果曲线拟合是最好的方法。即使峰值在范围内，曲线拟合也会给出更好的 sigma，因为其他数据不在范围内。

我使用http://www.scipy.org/Cookbook/FittingData中的代码为一个数据点工作。

我试图重复这个算法，但看起来它需要大约 43 分钟才能解决这个问题。是否有一种已经编写好的快速方法可以并行或更有效地执行此操作？

请注意，数据不一定是 256x262144，我已经在 nd_fit 中做了一些捏造来完成这项工作。

我用来让它工作的代码是

注意：@JoeKington 下面发布的解决方案很棒，而且解决得非常快。然而，除非高斯的重要区域在适当的区域内，否则它似乎不起作用。我将不得不测试平均值是否仍然准确，因为这是我使用它的主要目的。

我用 X=qr(A) 和 [Q,R]=qr(A) 的 tic-toc 进行了一些测量，其中 A 是一个随机矩阵，维度为 nxn (n=[100:100:1000])。

现在我想创建一个函数来描述我所做的时间测量。我希望多项式是三次的，并且我想使用该polyfit函数来创建它。虽然，我无法理解要传递给 polyfit 的参数。最后一个参数将是 3（三次），但其他两个参数应该是什么？

我想使用 lsqcurvefit 函数拟合曲线。这是这样的问题：

是否有可能在 matlab 中有这样的动态约束，或者我应该使用其他一些包？

我有一条通过数值计算的理论曲线和一条实验曲线（最好说是大量的实验点）。我需要计算这两条曲线之间的残差，以检查使用最小二乘法建模的准确性。这些矩阵（曲线）大小不同。MATLAB中是否有任何函数可以计算两个不同大小的矩阵的残差？

我正在使用开源 ReportLab 准备一组报告。报告包含许多图表。到目前为止一切正常。

我被要求制作一个（工作）条形图，显示两个系列的数据并为每个系列叠加一条拟合曲线。

通过在同一个 ReportLab 绘图中创建折线图和条形图，我可以看到如何在条形图上叠加分段线。但是，我在 ReportLab 中找不到拟合曲线的任何参考。

有没有人对在 ReportLab 中为一系列数据绘制拟合曲线有任何见解，或者，如果没有，关于如何完成此任务的建议（我认为需要在 matplotlib 中生成图表）？

我有一条任意曲线（由一组点定义），我想生成一个多项式，将该曲线拟合到任意精度。解决此问题的最佳方法是什么，或者是否已经有图书馆或在线服务可以执行此任务？

谢谢！

我有两个在不同日期获得的数据集。我从两个不同的数据集得到的结果具有相似的形状但不同的值（见图 1）。我试图通过将第二个数据的 x 中的常数A和y 中的B相乘来将第二个数据集 (x2,y2) 与第一个数据集 (x1,y1)相匹配（见图 2）。

例如：

数据1：

x1=[-0.3:0.06:2.1]';

Y1 = [0.001 0.001 0.004 0.014 0.052 0.166 0.330 0.416 0.340 0.247 0.194 0.197 0.237 0.330 0.428 0.542 0.669 0.767 0.855 0.900 0.913 0.904 0.873 0.811 0.765 0.694 0.631 0.585 0.514 0.449 0.398 0.351 0.309 0.273 0.233 0.211 0.182 0.154 0.137 0.117 0.101]';

数据2

x2=[-0.3:0.06:2.1]';

Y2 = [0.000 0.000 0.000 0.000 0.025 0.230 0.447 0.425 0.269 0.194 0.225 0.326 0.477 0.636 0.791 0.931 1.036 1.104 1.117 1.123 1.062 0.980 0.897 0.780 0.675 0.571 0.471 0.390 0.309 0.258 0.209 0.161 0.129 0.099 0.079 0.063 0.047 0.038 0.027 0.023 0.015]';

为了找出比例因子A & B，我正在考虑通过最小化 data1 和 x 修改后的 data2 之间的 delta y 来获得B。但是我确实有一个找出 A 的好方法。我应该如何找出A和B以匹配这两条曲线？任何帮助是极大的赞赏。

我正在scipy.optimize.curve_fit()以迭代的方式使用。

我的问题是，当它无法适应整个程序（以及迭代）停止的参数时，这就是它给出的错误：

RuntimeError: Optimal parameters not found: Number of calls to function has reached maxfev = 800.

我明白为什么它一直无法适应。我的问题是有什么方法可以在 Python 3.2.2 中编写程序来忽略此类事件并继续？