我想找到一个描述以下数据的模型。
x = array([50000., 100000., 150000., 200000., 250000., 300000.,
350000., 400000., 450000., 500000., 550000., 600000.,
650000., 700000., 750000., 800000., 850000., 900000.,
950000., 1000000.])
y = array([1.87792730e-06, 3.81015841e-07, 1.89900422e-07, 1.21302069e-07,
8.39703240e-08, 6.18937868e-08, 4.98975718e-08, 3.97720839e-08,
3.23420144e-08, 2.79493666e-08, 2.35548293e-08, 2.01505953e-08,
1.81079429e-08, 1.59391671e-08, 1.37227044e-08, 1.30031234e-08,
1.19076952e-08, 1.10967303e-08, 9.43339053e-09, 8.98627485e-09])
查看数据点的分布,可以预期数据遵循指数函数。因此,我尝试按照以下方式使用scipy.optimize.curve_fit。
from scipy.optimize import curve_fit
import numpy as np
from matplotlib import pyplot as plt
def f(x, a, b, c):
return a*np.exp(b*x)+c
curve_fit(f, x, y, p0=[np.min(y), -1, np.min(y)])
这没有给我a,b和c的任何合理值。我尝试使用多个p0设置,但pcov矩阵始终仅由inf组成。
如果您有数据但对这种情况的参数没有很好的猜测,那么如何才能实现合理的拟合呢?
答案 0 :(得分:1)
有一种简单的方法(无需初步猜测,无需迭代演算),其原理已在论文中进行了解释:https://fr.scribd.com/doc/14674814/Regressions-et-equations-integrales
由于积分方程,非线性回归转换为线性回归。下面显示了对您的问题和数值演算的应用。
请注意,拟合标准(最小均方)不是相对于给定数据,而是相对于具有积分数值演算的变换数据(以下标记为S)。因此,如果结果的准确性不够,则必须进行非线性回归。开始迭代过程的初始值可以是已经找到的,离目标不远的值。
所以,我认为这回答了您有关寻找初始猜测的问题。
数值示例:
注意:对于高的Y值,结果非常好。但是对于最小的Y值,结果并不准确。根据拟合标准,可能需要进行非线性回归后处理。
注意:在您的数据示例中,演算涉及非常高和非常低的指数。建议对原始数据应用方便的因子,以便按通常的数量级进行查找。上面的微积分示例并未做到这一点,以使其易于理解。
有关信息:
允许线性回归的积分方程为:
答案 1 :(得分:1)
这是一个图形化的Python拟合器,使用的方程式与对已发布数据的方程式搜索不同,使用所有1.0的scipy默认初始参数估计值似乎都非常合适。
import numpy, scipy, matplotlib
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
xData = numpy.array([50000.0, 100000.0, 150000.0, 200000.0, 250000.0, 300000.0, 350000.0, 400000.0, 450000.0, 500000.0, 550000.0, 600000.0, 650000.0, 700000.0, 750000.0, 800000.0, 850000.0, 900000.0, 950000.0, 1000000.0])
yData = numpy.array([1.8779273e-06, 3.81015841e-07, 1.89900422e-07, 1.21302069e-07, 8.3970324e-08, 6.18937868e-08, 4.98975718e-08, 3.97720839e-08, 3.23420144e-08, 2.79493666e-08, 2.35548293e-08, 2.01505953e-08, 1.81079429e-08, 1.59391671e-08, 1.37227044e-08, 1.30031234e-08, 1.19076952e-08, 1.10967303e-08, 9.43339053e-09, 8.98627485e-09])
def func(x, a, b, c): # from zunzun.com equation search
return a / (b+numpy.power(x, c))
# these are the same as the scipy defaults
initialParameters = numpy.array([1.0, 1.0, 1.0])
# curve fit the test data
fittedParameters, pcov = curve_fit(func, xData, yData, initialParameters)
modelPredictions = func(xData, *fittedParameters)
absError = modelPredictions - yData
SE = numpy.square(absError) # squared errors
MSE = numpy.mean(SE) # mean squared errors
RMSE = numpy.sqrt(MSE) # Root Mean Squared Error, RMSE
Rsquared = 1.0 - (numpy.var(absError) / numpy.var(yData))
print('Parameters:', fittedParameters)
print('RMSE:', RMSE)
print('R-squared:', Rsquared)
print()
##########################################################
# graphics output section
def ModelAndScatterPlot(graphWidth, graphHeight):
f = plt.figure(figsize=(graphWidth/100.0, graphHeight/100.0), dpi=100)
axes = f.add_subplot(111)
# first the raw data as a scatter plot
axes.plot(xData, yData, 'D')
# create data for the fitted equation plot
xModel = numpy.linspace(min(xData), max(xData))
yModel = func(xModel, *fittedParameters)
# now the model as a line plot
axes.plot(xModel, yModel)
axes.set_xlabel('X Data') # X axis data label
axes.set_ylabel('Y Data') # Y axis data label
plt.show()
plt.close('all') # clean up after using pyplot
graphWidth = 800
graphHeight = 600
ModelAndScatterPlot(graphWidth, graphHeight)