利用最小二乘法的做法:当自变量取相同的位置,数据点函数值-拟合曲线的函数值,使差值最小,确定理论拟合曲线。
利用此方法可以拟合任意形式的曲线:直线,二次函数、log函数等等
'''
scipy--optimize优化1.0:least_squares最小二乘法拟合
2020.5.9
'''
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import least_squares, leastsq
xi = np.linspace(-1,1,10) #生成间隔相同的10个数据
yi = 2*xi + np.random.rand(10) #产生y的数据,并加上一些噪声
#拟合 y = kx+b
def fun(p,x,y): # 损失函数:计算误差
k,b = p #p为数组array,迭代初值
return y-(k*x+b) #做二乘法时需要变成误差的最小值:原函数值-预测函数值
# least_squares方法
c = least_squares(fun,[1,0],args=(xi,yi)) #fun损失函数(误差;使其最小化),迭代初值p=[k,b]为[1,0],args=(xi,yi)传递数据给fun
print