[Python] 多项式曲线拟合(Polynomial Curve Fitting)

吃吃今天努力学习了吗

已于 2022-06-10 09:25:07 修改

阅读量3.1w

点赞数 63

分类专栏： python 文章标签： python 机器学习

于 2020-03-30 17:40:56 首次发布

本文链接：https://blog.csdn.net/m0_38068229/article/details/105202554

版权

python 专栏收录该内容

13 篇文章 8 订阅

订阅专栏

多项式曲线拟合

Polynomial Curve Fitting

Polynomial Curve Fitting

实验目标

利用Python实现多项式的曲线拟合。

实现过程

- Step 1 ：生成观测集和目标函数

假设训练集由x的N次观测 $x_1,x_2,...,x_n$ 得到，x均匀分布于区间[0,1]。对应的观测集为 $t_1,t_2,...,t_n$ ，目标函数为 $s i n (2 π x)$ 。
所以，为了通过训练集和观测集拟合出预测函数，使其尽可能接近目标函数，我们通过训练集加上随机高斯噪声输入到目标函数得到。
首先，图一中分别绘制了 $t = s i n (2 π x)$ 标准曲线（如绿线所示）和添加了噪声的观测集（样本包含10个点，如蓝点所示）。
在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

#标准曲线
x =  np.linspace(0, 1, 100) 
t =  np.sin(2 * np.pi * x)
#采样函数
def get_data(N):
    x_n = np.linspace(0,1,N)
    t_n = np.sin(2 * np.pi * x_n) + np.random.normal(scale=0.15, size=N) #add Gaussian Noise
    return x_n, t_n
#绘制部分组件函数
def draw_ticks():
    plt.tick_params(labelsize=15)
    plt.xticks(np.linspace(0, 1, 2))
    plt.yticks(np.linspace(-1, 1, 3))
    plt.ylim(-1.5, 1.5)
    font = {'family':'Times New Roman','size':20}
    plt.xlabel('x', font)
    plt.ylabel('t',font, rotation='horizontal')

#采样
x_10, t_10 = get_data(10)

#图像绘制部分 
plt.figure(1, figsize=(8,5))
plt.plot(x, t, 'g',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3, label="training data")
draw_ticks()
plt.title('Figure 1 : sample curve', font)
plt.savefig('1.png', dpi=400)

绿色的曲线为要拟合的目标函数。然后，使用多项式函数来拟合生成的数据。多项式定义如下：
$y(x,w)=w_0 +w_1x+w_2x^2+...+w_Mx^M=\sum\limits_{j=1}^{M}w_jx^j$
M是多项式的阶数，ω0,…,ωM 是多项式的系数，记为W。然后使用均方误差作为误差函数对拟合出的多项式进行评估，公式如下：
$E(W)=\frac{1}{2}\sum\limits_{n=1}^{N}（y(x_n,W)-t_n)^2=\frac{1}{2}(XW-T)^T(XW-T)$
表示为矩阵形式：
$\left[ \begin{matrix} w_0 \\ w_1 \\ \vdots\\ w_m \end{matrix} \right],X= \left[ \begin{matrix} 1 & x_1 & \cdots & x_1^m \\ 1 & x_2 & \cdots & x_2^m \\ \vdots & \vdots & \ddots & \vdots \\ 1 & x_n & \cdots & x_n^m \\ \end{matrix} \right]$
拟合数据的目的即为最小化误差函数，因为误差函数是多项式系数W的二次函数，所以存在唯一最小值，且在导数为零处取得。对W求导并令导数为零得到：
$\frac{\partial E(W)}{\partial W}=X^TXW-X^TT$
$W = (X^TX)^{-1}X^TT$

故可以通过矩阵运算得到W。

#拟合函数（lamda默认为0，即无正则项）
def regress(M, N, x, x_n, t_n, lamda=0):
    print("-----------------------M=%d, N=%d-------------------------" %(M,N))
    order = np.arange(M+1)
    order = order[:, np.newaxis]
    e = np.tile(order, [1,N])
    XT = np.power(x_n, e)
    X = np.transpose(XT)
    a = np.matmul(XT, X) + lamda*np.identity(M+1) #X.T * X
    b = np.matmul(XT, t_n) #X.T * T
    w = np.linalg.solve(a,b) #aW = b => (X.T * X) * W = X.T * T
    print("W:")
    print(w)
    e2 = np.tile(order, [1,x.shape[0]])
    XT2 = np.power(x, e2)
    p = np.matmul(w, XT2)
    return p

- Step 2 ：比较不同阶数多项式的拟合效果

分别选择 M = 0, 1, 3, 9 不同多项式阶数对数据进行拟合。图中红线为拟合结果。


#M=0, N=10
p = regress(0, 10, x, x_10, t_10)
#图像绘制部分
plt.figure(2, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.title('Figure 2 : M = 0, N = 10', font)
plt.text(0.8, 0.9,'M = 0', font, style = 'italic')
plt.savefig('2.png', dpi=400)

#M=1, N=10
p = regress(1, 10, x, x_10, t_10)
#图像绘制部分
plt.figure(3, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.title('Figure 3 : M = 1, N = 10', font)
plt.text(0.8, 0.9,'M = 1', font, style = 'italic')
plt.savefig('3.png', dpi=400)
#M=3, N=10
p = regress(3, 10, x, x_10, t_10)

#图像绘制部分
plt.figure(4, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.title('Figure 4 : M = 3, N = 10', font)
plt.text(0.8, 0.9,'M = 3', font, style = 'italic')
plt.savefig('4.png', dpi=400)

#M=9, N=10
p = regress(9, 10, x, x_10, t_10)

#图像绘制部分
plt.figure(5, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.text(0.8, 0.9,'M = 9', font, style = 'italic')
plt.title('Figure 5 : M = 9, N = 10', font)
plt.savefig('5.png', dpi=400)

在这里插入图片描述

拟合结果显示：

当 M = 0 和 1 时，多项式的拟合效果很差，无法代表目标函数，即欠拟合现象。
当 M = 3 时，多项式已经比较接近目标函数。
当 M = 9 时，多项式函数精确地通过每个观测点，但是曲线呈现震荡形式并对噪声敏感，出现过拟合现象。
其中，欠拟合和过拟合都无法代表目标函数。

- Step 3 ：通过增大数据规模改善过拟合现象

当模型复杂度确定时，考虑利用更多的观测点（15个和100个）对9阶多项式进行拟合。

M=9
N=15
x_15, t_15 = get_data(N)
p = regress(M, N, x, x_15, t_15)

#图像绘制部分
plt.figure(6, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_15, t_15, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.text(0.8, 0.65,'N = 15', font, style = 'italic')
plt.title('Figure 6 : M = 9, N = 15', font)
plt.savefig('6.png', dpi=400)

在这里插入图片描述

M=9
N=100
x_100, t_100 = get_data(N)
p = regress(M, N, x, x_100, t_100)

#图像绘制部分
plt.figure(7, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_100, t_100, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.text(0.8, 0.65,'N = 100', font, style = 'italic')
plt.title('Figure 7 : M = 9, N = 100', font)
plt.savefig('7.png', dpi=400)

在这里插入图片描述
可以看到，数据规模的增加能够有效的减轻模型的过拟合问题。但是实际应用中可能无法获得足够数据量。

- Step 4 ：通过正则化改善过拟合现象

除了增加数据量来减轻过拟合的影响，还可以通过正则化方法。在定义误差函数时增加惩罚项，使多项式系数被有效控制，不会过大。
误差函数变为如下形式：
$\widetilde{E}(w)=\frac{1}{2}\sum\limits_{n=1}^{N}\{y(x_n,w)-t_n\}^2+\frac{\lambda}{2}||w||^2$
求导置零得到：
$W = (X^T X + λE_{m+1})^{-1}X^TT$

然后，我们进行当多项式阶数 $M = 9$ 时，有 $N = 10$ 个采样点的情况下，λ较小和较大时（如 $l n λ = - 18$ 和 $l n λ = 0$ ）时对过拟合现象的实验。

M=9
N=10
x_10, t_10 = get_data(N)

#lnλ = 0
p = regress(M, N, x, x_10, t_10, np.exp(0))
#图像绘制部分
plt.figure(8, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.text(0.8, 0.9,' lnλ = 0', font, style = 'italic')
plt.title('Figure 8 : M = 9, N = 10, lnλ = 0', font)
plt.savefig('8.png', dpi=400)

#lnλ = -18
p = regress(M, N, x, x_10, t_10, np.exp(-18))
#图像绘制部分
plt.figure(9, figsize=(8,5))
plt.plot(x, t, 'g', x, p, 'r',linewidth=3) 
plt.scatter(x_10, t_10, color='', marker='o', edgecolors='b', s=100, linewidth=3)
draw_ticks()
plt.text(0.8, 0.9,' lnλ = -18', font, style = 'italic')
plt.title('Figure 9 : M = 9, N = 10, lnλ = -18', font)
plt.savefig('9.png', dpi=400)

在这里插入图片描述

结果显示，加上了正则项后，λ 较小时有效地改善了高阶多项式的过拟合现象，但是当 λ 过大时会过度抑制模型系数。所以，根据模型的复杂度来进行合适的正则化对于拟合结果非常重要。

实验总结

本次实验主要实现了多项式的曲线拟合。在拟合过程中，当模型的复杂度被限制而出现过拟合现象时，可以通过增加数据规模来进行改善；当数据有限时可以通过正则化的方法来抑制过拟合；也可以二者相结合得到更好的效果。
学习并实践了Python和Numpy的基本使用，尤其是矩阵的运算部分；学习利用matplotlib进行可视化。
继续加油嗷~ヾ(◍°∇°◍)ﾉﾞ

ps:第一次用Markdown写博，还挺酷的哈哈哈~

吃吃今天努力学习了吗

关注

63
点赞
踩
318

收藏

觉得还不错? 一键收藏
17
评论
[Python] 多项式曲线拟合(Polynomial Curve Fitting)

多项式曲线拟合Polynomial Curve Fitting实验目标实现过程- Step 1 ：生成观测集和目标函数- Step 2 ：比较不同阶数多项式的拟合效果- Step 3 ：通过增大数据规模改善过拟合现象- Step 4 ：通过正则化改善过拟合现象实验总结Polynomial Curve Fitting实验目标利用Python实现多项式的曲线拟合。实现过程- Step 1......
复制链接

扫一扫