最小二乘法拟合:
如果用p表示函数中需要确定的参数,那么目标就是找到一组p,使得
下面的函数S的值最小
| 线性函数拟合: # 利用误差计算函数,求 k / b 的最小误差值
import numpy as np
from scipy.optimize import leastsq;
X = np.array([ 8.19, 2.72, 6.39, 8.71, 4.7 , 2.66, 3.78])
Y = np.array([ 7.01, 2.78, 6.47, 6.71, 4.1 , 4.23, 4.05])
#计算以p为参数的直线和原始数据之间的误差
def residuals(p):
k, b = p
return Y - (k*X + b)
r = leastsq( residuals, [1, 0] )
k, b = r[0]
print("k =",k, "b =",b) 正弦波拟合: 调用leastsq进行数据拟合, residuals为计算误差的函数 '''
使用leastsq()对带噪声的正弦波数据进行拟合。
拟合所得到的参数虽然和 实际的参数有可能完全不同,
但是由于正弦函数具有周期性,实际上拟合 的结果和实际的函数是一致的。
'''
def func(x, p):
#数据拟合所用的函数: A*sin(2*pi*k*x + theta)
A, k, theta = p
return A*np.sin(2*np.pi*k*x+theta)
def residuals(p, y, x):
#实验数据x, y和拟合函数之间的差,p为拟合需要找到的系数
return y - func(x, p)
x = np.linspace(-2*np.pi, 0, 100)
A, k, theta = 10, 0.34, np.pi/6
# 真实数据的函数参数
y0 = func(x, [A, k, theta])
# 加入噪声之后的实验数据
y1 = y0 + 2 * np.random.randn(len(x))
# 第一次猜测的函数拟合参数
p0 = [7, 0.2, 0]
#args参数,用于指定residuals中使用到的其他参数
plsq = leastsq(residuals, p0, args=(y1, x))
print( u"真实参数:", [A, k, theta] )
print( u"拟合参数", plsq[0] ) # 实验数据拟合后的参数
# 作图部分
import pylab as pl
pl.plot(x, y0, label=u"real data")
pl.plot(x, y1, label=u"data with wrong")
pl.plot(x, func(x, plsq[0]), label=u"拟合数据")
pl.legend()
pl.show() |