文章目录
一、Scipy基础介绍
常用包
1.1 常数包
from scipy import constants as C
1.2 特殊函数包
四舍五入:scipy与numpy有些不同
具体使用:help(special)查看更多使用方法
二、Scipy优化
2.1 理论基础
简单线性回归
在统计学中,线性回归是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。一个带有一个自变量的线性回归方程代表一条直线。我们需要对线性回归结果进行统计分析。
最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小
- 最优化问题
- 最小二乘法
通过求导来确定最小值
这里的未知数是a,b
2.2 ⭐最小二乘法(leastsq)
- 可视化
2.3 函数最小值(fmin)
求偏差函数最小值
- 函数最小值
- 梯度下降法
类似于走山坡:若你发现你往上走则掉头往下;反之,若是往下走,则继续走
此外还有牛顿法、共轭下降法[抽象不懂,不在此展开陈述]
2.4 非线性方程组求解(fsolve)
2.5 实现最小二乘法
2.6 实现梯度下降法
三、Scipy插值
拟合 插值:都是想得到某种模型的特性