快捷導(dǎo)航

python之?dāng)M合的實(shí)現(xiàn)

更新時(shí)間：2019年07月19日 14:33:34 作者：your_answer

這篇文章主要介紹了python之?dāng)M合的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

一、多項(xiàng)式擬合

多項(xiàng)式擬合的話，用的的是numpy這個(gè)庫(kù)的polyfit這個(gè)函數(shù)。那么多項(xiàng)式擬合，最簡(jiǎn)單的當(dāng)然是，一次多項(xiàng)式擬合了，就是線性回歸。直接看代碼吧

import numpy as np
 
def linear_regression(x,y):
 #y=bx+a，線性回歸
 num=len(x)
 b=(np.sum(x*y)-num*np.mean(x)*np.mean(y))/(np.sum(x*x)-num*np.mean(x)**2)
 a=np.mean(y)-b*np.mean(x)
 return np.array([b,a])
def f(x):
 return 2*x+1
x=np.linspace(-5,5)
y=f(x)+np.random.randn(len(x))#加入噪音
y_fit=np.polyfit(x,y,1)#一次多項(xiàng)式擬合，也就是線性回歸
print(linear_regression(x,y))
print(y_fit)

手寫(xiě)線性回歸我還是會(huì)的，然后我們來(lái)看下輸出：

[1.9937839 1.24167225]
[1.9937839 1.24167225]

由于有random每次顯示的結(jié)果都不一樣，但很明顯的是上下兩個(gè)print是意料之中的一樣，emmmmm，一次多項(xiàng)式擬合的源代碼應(yīng)該就是像我寫(xiě)的那樣。好了，那么一次以上呢？咳咳，我數(shù)學(xué)不算太好，還是老老實(shí)實(shí)用庫(kù)函數(shù)吧，順便畫(huà)下圖，見(jiàn)識(shí)它的威力。

import numpy as np
from matplotlib import pyplot as plt
 
def f(x):
 return x**2+1
def f_fit(x,y_fit):
 a,b,c=y_fit.tolist()
 return a*x**2+b*x+c
x=np.linspace(-5,5)
y=f(x)+np.random.randn(len(x))#加入噪音
y_fit=np.polyfit(x,y,2)#二次多項(xiàng)式擬合
y_show=np.poly1d(y_fit)#函數(shù)優(yōu)美的形式
print(y_show)#打印
y1=f_fit(x,y_fit)
plt.plot(x,f(x),'r',label='original')
plt.scatter(x,y,c='g',label='before_fitting')#散點(diǎn)圖
plt.plot(x,y1,'b--',label='fitting')
plt.title('polyfitting')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()#顯示標(biāo)簽
plt.show()

輸出：

2
1.001 x - 0.04002 x + 0.8952

擬合效果看起來(lái)還是不錯(cuò)的。

二、各種函數(shù)的擬合

一般來(lái)說(shuō)，多項(xiàng)式的擬合就能擬合很多函數(shù)了，比如指數(shù)函數(shù)，取對(duì)數(shù)就能化為多項(xiàng)式函數(shù)，甚至是一次多項(xiàng)式函數(shù)?？墒?，那些三角函數(shù)之類的復(fù)雜函數(shù)不能化為多項(xiàng)式去擬合，怎么辦呢？要用到scipy.optimize的curve_fit函數(shù)了。

直接貼代碼：

import numpy as np
from matplotlib import pyplot as plt
from scipy.optimize import curve_fit
 
def f(x):
 return 2*np.sin(x)+3
def f_fit(x,a,b):
 return a*np.sin(x)+b
def f_show(x,p_fit):
 a,b=p_fit.tolist()
 return a*np.sin(x)+b
x=np.linspace(-2*np.pi,2*np.pi)
y=f(x)+0.5*np.random.randn(len(x))#加入了噪音
p_fit,pcov=curve_fit(f_fit,x,y)#曲線擬合
print(p_fit)#最優(yōu)參數(shù)
print(pcov)#最優(yōu)參數(shù)的協(xié)方差估計(jì)矩陣
y1=f_show(x,p_fit)
plt.plot(x,f(x),'r',label='original')
plt.scatter(x,y,c='g',label='before_fitting')#散點(diǎn)圖
plt.plot(x,y1,'b--',label='fitting')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

輸出：