在 Python 中获取多项式与数据的最小二乘拟合
pythonnumpyserver side programmingprogramming
要获取多项式与数据的最小二乘拟合，请使用 Python Numpy 中的 polynomial.polyfit()。该方法返回从低到高排序的多项式系数。如果 y 是二维的，coef 的第 k 列中的系数表示多项式与 y 的第 k 列中的数据的拟合。参数 x 是 M 个样本(数据)点 (x[i], y[i]) 的 x 坐标。
参数 y 是样本点的 y 坐标。通过为 y 传递一个每列包含一个数据集的二维数组，只需一次调用 polyfit 即可(独立地)拟合共享相同 x 坐标的几组样本点。参数 deg 是拟合多项式的度数。如果 deg 是单个整数，则拟合中包括 deg 项之前的所有项(包括该项)
参数 rcond 是拟合的相对条件数。相对于最大奇异值，小于 rcond 的奇异值将被忽略。默认值为 len(x)*eps，其中 eps 是平台浮点类型的相对精度，在大多数情况下约为 2e-16。参数 full 是确定返回值性质的开关。当为 False(默认值)时，仅返回系数；当为 True 时，还会返回奇异值分解的诊断信息。
参数 w 是权重。如果不为 None，则权重 w[i] 适用于 x[i] 处的未平方残差 y[i] - y_hat[i]。理想情况下，权重的选择应使 w[i]*y[i] 乘积的误差具有相同的方差。使用逆方差加权时，使用 w[i] = 1/sigma(y[i])。默认值为 None。
步骤
首先，导入所需的库 −
import numpy as np from numpy.polynomial import polynomial as P
x 坐标 −
x = np.linspace(-1,1,51)
显示 x 坐标 −
print("X 坐标...\n",x)
y 坐标 −
y = x**3 - x + np.random.randn(len(x))
print("\nY坐标...\n",y)
要获得多项式与数据的最小二乘拟合，请使用 Python Numpy − 中的 polynomial.polyfit()
c, stats = P.polyfit(x,y,3,full=True)
print("\n结果...\n",c)
print("\n结果...\n",stats)
示例
import numpy as np
from numpy.polynomial import polynomial as P
# x 坐标
x = np.linspace(-1,1,51)
# 显示 x 坐标
print("X坐标...\n",x)
# y 坐标
y = x**3 - x + np.random.randn(len(x))
print("\nY 坐标...\n",y)
# 要获取多项式与数据的最小二乘拟合，请使用 Python Numpy 中的 polynomial.polyfit()
# 该方法返回从低到高排序的多项式系数。如果 y 是二维的，coef 的第 k 列中的系数表示多项式与 y 的第 k 列中的数据的拟合。
c, stats = P.polyfit(x,y,3,full=True)
print("\n结果...\n",c)
print("\n结果...\n",stats)
输出
X Co-ordinate... [-1. -0.96 -0.92 -0.88 -0.84 -0.8 -0.76 -0.72 -0.68 -0.64 -0.6 -0.56 -0.52 -0.48 -0.44 -0.4 -0.36 -0.32 -0.28 -0.24 -0.2 -0.16 -0.12 -0.08 -0.04 0. 0.04 0.08 0.12 0.16 0.2 0.24 0.28 0.32 0.36 0.4 0.44 0.48 0.52 0.56 0.6 0.64 0.68 0.72 0.76 0.8 0.84 0.88 0.92 0.96 1. ] Y Co-ordinate... [ 0.24282445 -0.48320773 -1.18068109 -0.48486683 0.80514762 0.48976259 0.31363813 -0.03382685 -0.92334611 0.86835062 0.24661201 0.9790978 0.03782101 0.12213365 -1.37248029 1.99891304 -0.09825977 1.74524931 0.70560858 0.15516069 0.69169705 0.76957712 -1.21919676 1.50064825 1.32101339 -2.51479992 -0.28998783 -1.24293076 0.45927699 -0.53484746 0.50455341 -0.06351788 -2.69585303 -0.46833578 1.4924168 -2.42374146 -1.91934499 -1.36311466 -1.23946547 -1.56822005 -0.79648036 1.58269324 -0.53682862 -0.90861958 -0.28174461 -0.10775622 0.58535687 1.06373501 -2.28991738 2.01597286 -0.75841069] 结果... [-0.17198829 -1.84107674 0.09439374 2.39030912] 结果... [array([60.43653521]), 4, array([1.38446749, 1.32119158, 0.50443316, 0.28853036]), 1.1324274851176597e-14]
