拟合关系式python

㈠ 带置信区间的拟合线几种绘制方式-在python和R中的实现 (二)

在（一）中展示了基于python的带置信区间的拟合性，同时拟合多条直线，本文主要讲下在R中如何去实现。
首先我们将数据集转变为长数据格式，长格式就是每种类型结束后接着接另一个变量的值，并在另一列中加上该值的类型，格式如下：

读者在进行运用的时候，只需要更改下目录即将setwd("D:/qixiang/final")变为自己的数据存放路径，data1 type, levels=c('PPT','ET','FWS','RWCN','RWCC','IWCC')) 部分改为自己的变量顺序。p4<-p2+ylab("water component(mm)")+xlab("year") #设置y轴和x轴的名称中改成自己的y轴和x轴名称，p12<-p11+labs(title="Songhua River Basin")中改成自己的标题名称。在想得到图像时，在命令框中输入p12或p13,点击回车即可，见下图

p13中增加了线条而p12中没有增加线条，根据需要自己取舍。建议设置好后通过R运行一遍，在R中将结果保存为pdf，然后通过ps调整分辨率即可。
需要数据来进行操作的读者，可以发邮件到 [email protected] ，看到后会尽快发过去

更多需求，请查看个人介绍

㈡ Python科学计算——任意波形拟合

任意波形的生成 (geneartion of arbitrary waveform) 在商业，军事等领域都有着重要的应用，诸如空间光通信 (free-space optics communication)， 高速信号处理 (high-speed signal processing)，雷达 (radar) 等。在任意波形生成后， 如何评估生成的任意波形 成为另外一个重要的话题。

假设有一组实验数据，已知他们之间的函数关系：y=f(x)，通过这些信息，需要确定函数中的一些参数项。例如，f 是一个线型函数 f(x)=k*x+b，那么参数 k 和 b 就是需要确春州纤定的值。如果这些参数用 p 表示的话，那么就需要找到一组 p 值使得如下公式中的 S 函数最小：

这种算法被称之为 最小二乘拟合 (least-square fitting)。scipy 中的子函数库 optimize 已迹雹经提供实现最小二乘拟合算法的函数 leastsq 。下面是 leastsq 函扒仿数导入的方式：

scipy.optimize.leastsq 使用方法

在 Python科学计算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 对数字示波器采集的三角波数据导入进行了介绍，今天，就以 4GHz三角波 波形的拟合为案例介绍任意波形的拟合方法。

在 Python科学计算——如何构建模型？ 一文中，讨论了如何构建三角波模型。在标准三角波波形的基础上添加了 横向，纵向的平移和伸缩特征参数 ，最后添加了 噪声参数 模拟了三角波幅度参差不齐的随机性特征。但在波形拟合时，并不是所有的特征参数都要纳入考量，例如，噪声参数应是 波形生成系统 的固有特征，正因为它的存在使得产生的波形存在瑕疵，因此，在进行波形拟合并评估时，不应将噪声参数纳入考量，最终模型如下：

在调用 scipy.optimize.leastsq 函数时，需要构建误差函数：

有时候，为了使图片有更好的效果，需要对数据进行一些处理：

leastsq 调用方式如下：

合理的设置 p0 可以减少程序运行时间，因此，可以在运行一次程序后，用拟合后的相应数据对 p0 进行修正。

在对波形进行拟合后，调用 pylab 对拟合前后的数据进行可视化：

均方根误差 (root mean square error) 是一个很好的评判标准，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。

RMSE 用程序实现如下：

拟合效果，模型参数输出：

leastsq 函数适用于任何波形的拟合，下面就来介绍一些常用的其他波形：

㈢ Python怎么实现非线性的拟合

import matplotlib.pyplot as ptimport numpy as npfrom scipy.optimize import leastsqfrom pylab import *time = []counts = []for i in open('/some/folder/to/file.txt', 'r'):
segs = i.split()
time.append(float(segs[0]))
counts.append(segs[1])time_array = arange(len(time), dtype=float)counts_array = arange(len(counts))time_array[0:] = time
counts_array[0:] = counts

def model(time_array0, coeffs0):
a = coeffs0[0] + coeffs0[1] * np.exp( - ((time_array0-coeffs0[2])/coeffs0[3])**2 )
b = coeffs0[4] + coeffs0[5] * np.exp( - ((time_array0-coeffs0[6])/coeffs0[7])**2 )
c = a+b return c

㈣ 用python实现多项式拟合怎么加入正则化

应该是不可以的

import numpy as np
from scipy.optimize import leastsq
import pylab as pl

x = np.arange(1, 17, 1)
y = np.array([4.00, 6.40, 8.00, 8.80, 9.22, 9.50, 9.70, 9.86, 10.00, 10.20, 10.32, 10.42, 10.50, 10.55, 10.58, 10.60])

#第一个拟合，自由度为3
z1 = np.polyfit(x, y, 3)
# 生成多项式对象
p1 = np.poly1d(z1)
print(z1)
print(p1)

# 第二个拟合，自由度为6
z2 = np.polyfit(x, y, 6)
# 生成多项式对象
p2 = np.poly1d(z2)print(z2)print(p2) # 绘制曲线 # 原曲线pl.plot(x, y, 'b^-', label='Origin Line')pl.plot(x, p1(x), 'gv--', label='Poly Fitting Line(deg=3)')pl.plot(x, p2(x), 'r*', label='Poly Fitting Line(deg=6)')pl.axis([0, 18, 0, 18])pl.legend()# Save figurepl.savefig('scipy02.png', dpi=96)

㈤ python_numpy最小二乘法的曲线拟合

在了解了最小二乘法的基本原理之后 python_numpy实用的最小二乘法理解 ，就可以用最小二乘法做曲线拟合了

从结果中可以看出，直线拟合并不能对拟合数据达到很好的效果，下面我们介绍一下曲线拟合。

b=[y1]
[y2]
......
[y100]

解得拟合函数的系数[a,b,c.....d]
CODE:

根据结果可以看到拟合的效果不错。
我们可以通过改变

来调整拟合效果。
如果此处我们把拟合函数改为最高次为x^20的多项式

所得结果如下：

矫正 过拟合 现象
在保持拟合函数改为最高次为x^20的多项式的条件下，增大样本数：

通过结果可以看出，过拟合现象得到了改善。

㈥ python有没有哪个库能实现三维曲面的拟合该如何实现

matlab的话
方法一
用[xx,yy] = meshgrid(x_min:step:x_max,y_min:step:y_max)生成x和y的坐标
用zz = griddata(x,y,z,xx,yy,'v4')插值生成相应的z坐标
方法二
用tri = delaunay(x,y)让点自行连接成一个个三角形
trisurf(tri,x,y,z)生成曲面
再用shading interp 插值拟合
如果你的曲面在xy平面的投影不是矩形的话，记得用inpolygon吧不在区域内的点删除掉

㈦ python怎么用线性回归拟合

from sklearn import linear_model#线性回归clf = linear_model.LinearRegression()#训练clf.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])#表达式参数clf.coef_#测试improt numpy as npx = np.array([1,1])y = x.dot(clf.coef_)

㈧ Python 怎么用曲线拟合数据

Python中利用guiqwt进行曲线数据拟合。

示例程序：

㈨ python拟合指数函数初始值如何设定

求拟合函数，首先要有因变量和自变量的一组测试或实验数据，根据已知的曲线y=f(x)，拟合出Ex和En系数。当用拟合出的函数与实验数据吻合程度愈高，说明拟合得到的Ex和En系数是合理的。吻合程度用相关系数来衡量，即R^2。首先，我们需要打开Python的shell工具，在shell当中新建一个对象member，对member进行赋值。 2、这里我们所创建的列表当中的元素均属于字符串类型，同时我们也可以在列表当中创建数字以及混合类型的元素。 3、先来使用append函数对已经创建的列表添加元素，具体如下图所示，会自动在列表的最后的位置添加一个元素。 4、再来使用extend对来添加列表元素，如果是添加多个元素，需要使用列表的形式。 5、使用insert函数添加列表元素，insert中有两个参数，第一个参数即为插入的位置，第二个参数即为插入的元素。origin拟合中参数值是程序拟合的结果，自定义函数可以设置参数的初值，也可以不设定参数的初值。
一般而言，拟合结果不会因为初值的不同而有太大的偏差，如果偏差很大，说明数据和函数不太匹配，需要对函数进行改正。X0的迭代初始值选择与求解方程，有着密切的关系。不同的初始值得出的系数是完全不一样的。这要通过多次选择和比较，才能得到较为合理的初值。一般的方法，可以通过随机数并根据方程的特性来初选。