python多维数据_对Python中的多维数据样本应用非线性回归

尝试类似

编辑：增加了一个使用线性回归结果估计输出的示例函数。

import numpy as np

data =np.array(

[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],

[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],

[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],

[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]

dependent = data[:,-1]

x,residuals,rank,s = np.linalg.lstsq(coefficient,dependent)

def f(x,u,v):

return u*x[0] + v*x[1]

for datum in data:

print f(x,*datum[0:2])

其中给出

>>> x

array([ 0.16991146, -30.18923739])

>>> residuals

array([ 0.07941146])

>>> rank

2

>>> s

array([ 0.64490113, 0.02944663])

，并与您系数创建的功能给

0.115817326583

0.142430900298

0.266464019171

0.859743371665

更多信息可以在documentation我张贴作为评论被发现。

编辑2：将您的数据拟合到任意模型。

编辑3：使我的模型成为便于理解的函数。

编辑4：使代码更容易读取/更改模型为二次拟合，但您应该能够阅读此代码并知道如何使其最小化您现在想要的任何残差。

人为的例子：

import numpy as np

from scipy.optimize import leastsq

data =np.array(

[[-0.042780748663101636, -0.0040771571786609945, -0.00506567946276074],

[0.042780748663101636, -0.0044771571786609945, -0.10506567946276074],

[0.542780748663101636, -0.005771571786609945, 0.30506567946276074],

[-0.342780748663101636, -0.0304077157178660995, 0.90506567946276074]])

coefficient = data[:,0:2]

dependent = data[:,-1]

def model(p,x):

a,b,c = p

u = x[:,0]

v = x[:,1]

return (a*u**2 + b*v + c)

def residuals(p, y, x):

a,b,c = p

err = y - model(p,x)

return err

p0 = np.array([2,3,4]) #some initial guess

p = leastsq(residuals, p0, args=(dependent, coefficient))[0]

def f(p,x):

return p[0]*x[0] + p[1]*x[1] + p[2]

for x in coefficient:

print f(p,x)

给出

-0.108798280153

-0.00470479385807

0.570237823475

0.413016072653