Python-玩转数据-函数近似(回归拟合)

一、说明

回归和差值是常用的数学工具。
回归分析是一种数学模型。回归，指研究一组随机变量(Y1 ，Y2 ，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法，又称多重回归分析。通常Y1，Y2，…，Yi是因变量，X1、X2，…，Xk是自变量。

在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点。插值是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。插值:用来填充图像变换时像素之间的空隙。

二、定义示例函数

f(x)=sin(x)+0.5x

import numpy as np
import matplotlib.pylab as plt
#定义示例函数
def f(x):
    return np.sin(x)+0.5*x
#生成x的模拟数据    
x=np.linspace(-2*np.pi,2*np.pi,50)
plt.plot(x,f(x),'b')
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')
plt.show()

三、回归

回归是在给定一组“基函数的”下，找出最优参数来拟合观测值。

numpy中的ployfit可以确定最优参数，polyval可以以一组输入值求取近似值。

1次单项式拟合

#参数 x 表示 x 坐标（自变量的值）
#参数 y 表示 y 坐标（因变量的值）
#deg 拟合多项式的次数
#full 如果是true，那么会返回调试信息
#w应用于y坐标的权重
#cov如果true，返回协方差矩阵
reg=np.polyfit(x,f(x),deg=1)
#开始拟合
ry=np.polyval(reg,x)
#画图
plt.plot(x,f(x),'b',label='f(x)')
plt.plot(x,ry,'r.',label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')
plt.show()

5次单项式作为基函数的拟合结果

这种拟合不是很合适，我们增加拟合次数到5次 deg=5

reg=np.polyfit(x,f(x),deg=5)
#开始拟合
ry=np.polyval(reg,x)
#画图
plt.plot(x,f(x),'b',label='f(x)')
plt.plot(x,ry,'r.',label='regression')
plt.legend(loc=0)
plt.grid(True)
plt