最小二乘多项式拟合（曲线拟合）

问题描述

根据N个数据点构造最小二乘多项式拟合。

输入形式

在屏幕上依次输入多项式的次数m，数据点的个数N，和N对数据点的x和y坐标。

输出形式

输出最小二乘多项式和误差。

样例输入

2

4

-3 3

0 1

2 1

4 3

样例输出

[ 0.17846248 -0.19249542 0.85051861]

0.2445252

样例说明

输入：多项式的次数m为2，有4对数据点，后续每行是一对数据点的x和y坐标。

输出：最小二乘多项式为y=0.17846248x**2-0.19249542x+0.85051861，误差（norm2范数，即欧式距离）为0.2445252（保留小数点后7位有效数字）

代码

# 最小二乘多项式拟合（曲线拟合）
import numpy as np
from numpy.linalg import inv, norm


def Input():
    m = int(input())
    n = int(input())
    points = np.zeros((n, 2), dtype=np.double)

    for each in range(n):
        points[each, :] = np.array(input().split(), dtype=np.double)
    return m, points[:, 0], points[:, 1]


def lspoly(X, Y, M):
    n = len(X)
    F = np.zeros((n, M + 1))

    for k in range(0, M + 1):
        F[:, k] = X ** k
    A = np.transpose(F) @ F
    B = np.transpose(F) @ Y
    C = inv(A) @ B

    return np.flipud(C)


def computeErr(X, Y, C):
    F = np.poly1d(C)
    # res = np.polyval(f, X)
    # res = F(X)
    return norm(F(X) - Y)


def output(x):
    print(x)


def main():
    M, X, Y = Input()
    C = lspoly(X, Y, M)
    err = computeErr(X, Y, C)
    output(C)
    output("%.7f" % err)


if __name__ == '__main__':
    main()