当使用curve_fit
中的scipy.optimize
来拟合python中的某些数据时,首先定义拟合函数(例如二阶多项式),如下所示:
window.$
def f(x, a, b):
return a*x**2+b*x
但现在的问题是,如果函数包含一个整数(或一个离散的和),如何在第1点定义函数,例如:
仍然给出了x和f(x)的实验数据,因此,一旦我可以在python中定义f(x),第2点将是类似的。顺便说一下,我忘了说这里假设g(t)具有众所周知的形式,并且包含拟合参数,即在多项式例子中给出的像a和b这样的参数。任何帮助深表感谢。问题实际上应该是通用的,而帖子中使用的函数只是随机的例子。
答案 0 :(得分:7)
这是一个拟合用积分定义的曲线的例子。该曲线是sin(t*w)/t+p
与t
之间从0到Pi的积分。我们的x数据点对应w
,我们正在调整p
参数以使数据适合。
import math, numpy, scipy.optimize, scipy.integrate
def integrand(t, args):
w, p = args
return math.sin(t * w)/t + p
def curve(w, p):
res = scipy.integrate.quad(integrand, 0.0, math.pi, [w, p])
return res[0]
vcurve = numpy.vectorize(curve, excluded=set([1]))
truexdata = numpy.asarray([0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0])
trueydata = vcurve(truexdata, 1.0)
xdata = truexdata + 0.1 * numpy.random.randn(8)
ydata = trueydata + 0.1 * numpy.random.randn(8)
popt, pcov = scipy.optimize.curve_fit(vcurve,
xdata, ydata,
p0=[2.0])
print popt
这会打印出非常接近1.0的内容,这是我们在创建p
时用作trueydata
的内容。
请注意,我们在曲线函数上使用numpy.vectorize
来生成与scipy.optimize.curve_fit
兼容的矢量化版本。
答案 1 :(得分:3)
有时候你很幸运,你能够分析地评估积分。在以下示例中,h(t)=exp(-(t-x)**2/2)
和二次多项式g(t)
的乘积从0到无穷大积分。 Sympy用于评估积分并生成可用于curve_fit()
的函数:
import sympy as sy
sy.init_printing() # LaTeX-like pretty printing of IPython
t, x = sy.symbols("t, x", real=True)
h = sy.exp(-(t-x)**2/2)
a0, a1, a2 = sy.symbols('a:3', real=True) # unknown coefficients
g = a0 + a1*t + a2*t**2
gh = (g*h).simplify() # the intgrand
G = sy.integrate(gh, (t, 0, sy.oo)).simplify() # integrate from 0 to infinty
# Generate numeric function to be usable by curve_fit()
G_opt = sy.lambdify((x, t, a0, a1, a2), G)
print(G_opt(1, 2, 3, 4, 5)) # example usage
请注意,一般来说,问题通常是不适合的,因为积分不必在解的一个足够大的邻域中收敛(由curve_fit()
假设)。