Question

我已经安装了Numpy和SciPy，但我不太了解他们关于polyfit的文档。

对于exmpale，这是我的三个数据样本：

[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074]
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074]
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074]
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]

前两列是样本特征，第三列是输出，我的目标是获取一个可以接受两个参数（前两列）并返回其预测（输出）的函数。

任何简单的例子？

======================编辑======================

请注意，我需要使用curve之类的东西，而不仅仅是直线。多项式应该是这样的（n = 3）：

a*x1^3 + b*x2^2 + c*x3 + d = y

不

a*x1 + b*x2 + c*x3 + d = y

x1，x2，x3是一个示例的功能，y是输出

Answer 1

尝试类似

的内容

编辑：添加了一个使用线性回归结果估算输出的示例函数。

import numpy as np
data =np.array(
[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]
dependent = data[:,-1]

x,residuals,rank,s = np.linalg.lstsq(coefficient,dependent)

def f(x,u,v):
    return u*x[0] + v*x[1]

for datum in data:
    print f(x,*datum[0:2])

哪个给出了

>>> x
array([  0.16991146, -30.18923739])
>>> residuals
array([ 0.07941146])
>>> rank
2
>>> s
array([ 0.64490113,  0.02944663])

使用系数创建的函数

0.115817326583
0.142430900298
0.266464019171
0.859743371665

可以在我发布的documentation评论中找到更多信息。

编辑2：使您的数据适合任意模型。

编辑3：使我的模型成为易于理解的功能。

编辑4：使代码更容易读取/更改模型到二次拟合，但您应该能够阅读此代码并知道如何使其最小化您现在想要的任何残差。

人为的例子：

import numpy as np
from scipy.optimize import leastsq

data =np.array(
[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],
[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],
[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],
[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]
dependent = data[:,-1]

def model(p,x):
    a,b,c = p
    u = x[:,0]
    v = x[:,1]
    return (a*u**2 + b*v + c)

def residuals(p, y, x):
    a,b,c = p
    err = y - model(p,x)
    return err

p0 = np.array([2,3,4]) #some initial guess

p = leastsq(residuals, p0, args=(dependent, coefficient))[0]

def f(p,x):
    return p[0]*x[0] + p[1]*x[1] + p[2]

for x in coefficient:
    print f(p,x)

给出

-0.108798280153
-0.00470479385807
0.570237823475
0.413016072653

在Python中对多维数据样本应用非线性回归

1 个答案: