n次多项式拟合
一、用最小二乘法进行n次拟合原理
给定一组数据
![](https://i-blog.csdnimg.cn/blog_migrate/09228e75d164f64ba62528accce0ff7b.gif)
作n次拟合曲线
,转化为均方误差
![](https://i-blog.csdnimg.cn/blog_migrate/f54824e1b35c0ca3326b7954b72f751b.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/cf1ea20c4992bbdd2eeda800cc11717c.gif)
得到法方程:
![](https://i-blog.csdnimg.cn/blog_migrate/589c6d0b5eecbf58c4382c6ed6b859ee.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/5786e22cf7c42edcd000d2ec2711ac11.gif)
解法方程得到a0,a1,...,an.
注意:当拟合多项式阶数n>5时,法方程的系数矩阵时病态的。
二、算例
数据集:
x = -3,-2,-1,0,1,2,3
y = 4,2,3,0,-1,-2,-5
y = 4,2,3,0,-1,-2,-5
程序实现:
#n次拟合曲线:y=a0+a1x+a2x^2+...+anx^n
import numpy as np
x_array = np.array([-3,-2,-1,0,1,2,3])
y_array = np.array([4,2,3,0,-1,-2,-5])
n = 2 #方程的次数(n<5)
m = len(x_array)#方程个数
A = np.ones(m).reshape((m,1))
for i in range(n):
A = np.hstack([A,(x_array**(i+1)).reshape((m,1))])
from numpy.linalg import solve
X = solve(np.dot(A.T,A),np.dot(A.T,y_array.T))
print(X)
##########################################
#### Added by author on 20240402 #########
##########################################
x_list = []
y_list = []
for xi in np.arange(-10, 10, 0.1):
x_list.append(xi)
yi = X[0] + X[1]*xi + X[2]*xi*xi
y_list.append(yi)
import matplotlib.pyplot as plt
plt.close()
plt.scatter(x_array, y_array)
text = "y={:.4f}+{:.4f}x+{:.4f}x^2".format(X[0], X[1], X[2])
plt.plot(x_list, y_list, color='green', label = text)
plt.legend(loc="upper right", frameon=False)
plt.grid()
plt.show()
![](https://i-blog.csdnimg.cn/blog_migrate/39d8c95e0344578c03c729cd3f435917.png)
输出结果:[ 0.66666667 -1.39285714 -0.13095238]
结果可视化:
结果可视化代码已添加。