问题标签 [data-fitting]

我有一组参考数据点，我想要拟合 S 形曲线。我可以使用 MATLAB 的曲线拟合工具来执行此操作，但我有一个自定义方程来拟合数据。该方程有 4-5 个变量，我想改变这些变量，然后测试拟合优度。

我尝试为此使用该goodnessOfFit功能。但它要求测试数据和参考数据矩阵的大小相同。我拥有的参考数据点数量很少（15-20），使用自定义方程生成的测试点数量很大。

有没有其他方法可以检查曲线的拟合优度？或者我是否找到了与参考数据中的点相对应的测试数据点，然后使用该goodnessOfFit函数（这种方法的一个问题是我在测试和参考数据中的 x 轴的分辨率不同，例如参考数据中的 x 点 1.2368 我的测试数据中有 1.23 和 1.24。我将不得不对数据进行四舍五入，然后计算拟合）。

我一直在尝试使用 Scipy.optimize curve_fit 函数将一条线拟合到我的数据中，以用于共振室中的声学模式，但结果并不如预期。该函数返回值没有任何错误，但是当我根据数据绘制结果时，它的拟合度非常差。这可能是由于缺乏数据/数据不佳/洛伦兹在数据中重叠，还是我做错了什么？

我试图拟合的数据是两个在频率上彼此相邻的声学模式，数据应该适合洛伦兹，因此我定义了两个洛伦兹之和的模型函数。

这是代码：

我试图了解具有有界响应变量的数据集的两种不同拟合方法之间的区别。响应变量是一个分数，因此范围为 [0,1]。我通过谷歌搜索发现有很多不同的方法，因为这是一种常见的操作。我目前对股票 R GLM 拟合和 betareg 包中提供的 Beta 回归之间的差异感兴趣。我使用“betareg”包中的 GasolineYield 数据集作为我的样本数据集。在我发布代码和结果之前，我的两个问题如下：

1. 我是否正确使用内置的 R GLM 在 R 中执行逻辑回归拟合？

2. 为什么 Beta 回归中报告的标准误差比 R 逻辑回归的标准误差小得多？

R 设置代码

“betareg”包中的 Beta 回归代码

Beta 回归摘要输出

来自股票 R 的 R GLM Logistic 回归代码

R GLM Logistic 回归汇总输出

我想使用 LMFit将椭偏数据拟合到复杂模型中。两个测量参数psi和delta是复函数 中的变量rho。

我可以尝试使用共享参数或分段方法将问题分离为实部和虚部，但是有没有办法直接使用复杂函数来解决问题？仅拟合函数的实部可以很好地工作，但是当我定义复杂的残差函数时，我得到：

TypeError：没有为复数定义排序关系。

下面是我的真实函数拟合代码和我解决复杂拟合问题的尝试：

编辑： 我解决了虚部和实部分离变量的问题。数据的形状应为 [[imaginary_data],[real_data]]，目标函数必须返回一维数组。

我正在尝试使用正态多项式拟合双变量多项式的数据。我从双变量数据拟合的示例开始：Fitting polynomials to data

问题是这些不是正交的，因此系数会随着度数的变化而变化。我的计划是使用 Legendre 多项式（构建 X 和 Y 多项式，然后采用类似于我在下面构建 A 列表的方式的叉积），但我被困在如何拟合数据上。

我尝试拟合这个图，因为你可以看到拟合对数据不太好。

我的代码是：

所以问题是我在这里计算的错误有多大？因为我认为在对数对数平面中，我放入代码中的表格应该可以很好地呈现数据。

非常感谢

最后，我可以使用 Christop 答案中的建议来解决问题并对其进行一些修改。

我找到了函数的近似斜率（接近-4）然后采用这个参数修复我只用a拟合曲线，发现它我修复它并只修改b。之后使用输出作为拟合的起始解决方案，我找到了最合适的。

我做了一些工作，最后我得到了一个数据，它的形状看起来像 sinc 函数，我试图搜索如何使用 numpy 将图形拟合到 sinc 函数，我发现了这个：

在 python 中拟合变量 Sinc 函数

我找到它很好，但我想为什么它看起来很复杂？

你能给我更友好的方式来拟合给我像 sinc 函数这样的曲线的图形吗？

警告我对此非常陌生，超出了我的深度，如果这是新手或不清楚，请道歉。

我使用 fminsearch 估计多个数据集的参数，有人建议我们应该尝试绘制粗麻布来拟合每个数据集。是否可以使用 fminsearch 获得这些？

有人告诉我它应该是标准输出选项，但据我所知，这不是 fminsearch 的选项之一（尽管看起来它是 fminunc 的选项）

这是我希望修改的相关代码：

任何帮助都将不胜感激。

我有一组角度。分布可以大致描述为：

• 通常有几个值非常接近（相距 0.0-1.0 度）到正确的解决方案
• 也有噪声值与正确结果相去甚远，甚至方向相反

是否有针对此类问题的通用解决方案/策略？

对于多维数据，我会使用 RANSAC - 但我的印象是，将 Ransac 应用于一维数据是不寻常的。另一个问题是计算角度的平均值。我阅读了其他一些关于如何使用向量计算角度平均值的帖子，但我只是想知道是否没有一个特定的拟合解决方案已经可以处理这两个问题。

我正在学习如何对我的数据进行拟合分布，我正在使用 fitdistrplus 包的 fitdist 函数，但是对于卡方分布，我需要给出一个带有参数初始值的命名列表...

[1] 0.6666667 1.3666667 1.2833333 1.3666667 1.5833333 1.5333333 0.6666667 [8] 3.5333333 1.4166667 2.4500000 0.3333333 0.7666667 1.6000000 0.3833333 [15] 0.2666667 >1.8000000 3.2166667 1.3166667 2.4333333 2.2833333 2.3166667 [22] 4.1000000 1.0500000 0.3500000 >1.3166667 2.8333333 0.3166667 1.8333333 [29] 1.4666667 1.9833333 3.3666667 1.7000000 2.0666667 >1.4333333 0.5666667

错误 en fitdistr(surface.na.omit, "chi-squared") : 'start' 必须是命名列表

start 是一个命名列表，给出命名分布参数的初始值。对于某些计算合理起始值的分布，可以省略此参数>（请参阅详细信息），如果使用封闭公式估计参数，则不会考虑此参数。

但我不知道如何计算或找到这个值......有人可以解释一下吗？：/ 太感谢了...

通风