2、抛物线拟合源码
#!/usr/bin/env python
# coding:utf-8
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import leastsq
# 待拟合的数据
X = np.array([1,2,3,4,5,6])
Y=np.array([9.1,18.3,32,47,69.5,94.8])
# 二次函数的标准形式
def func(params, x):
a, b, c = params
return a * x * x + b * x + c
# 误差函数,即拟合曲线所求的值与实际值的差
def error(params, x, y):
return func(params, x) - y
# 对参数求解
def slovePara():
p0 = [10, 10, 10]
Para = leastsq(error, p0, args=(X, Y))
return Para
# 输出最后的结果
def solution():
Para = slovePara()
a, b, c = Para[0]
print "a=",a," b=",b," c=",c
print "cost:" + str(Para[1])
print "求解的曲线是:"
print("y="+str(round(a,2))+"x*x+"+str(round(b,2))+"x+"+str(c))
plt.figure(figsize=(8,6))
plt.scatter(X, Y, color="green", label="sample data", linewidth=2)
# 画拟合直线
x=np.linspace(0,12,100) ##在0-15直接画100个连续点
y=a*x*x+b*x+c ##函数式
plt.plot(x,y,color="red",label="solution line",linewidth=2)
plt.legend() #绘制图例
plt.show()
solution()
上面的代码中,稍微注意的是如下几点:
1、func是待拟合的曲线的形状。本例中为二次函数的标准形式。
2、error为误差函数。很多同学会问不应该是最小平方和吗?为什么不是func(params, x) - y * func(params, x) - y?原因是名为lasts的方法中帮我们做了。看一下sklearn中源码的注释就知道什么情况了:
Minimize the sum of squares of a set of equations.
x = arg min(sum(func(y)**2,axis=0))
y
二次方的操作在源码中帮我们实现了。
3、p0里放的是a、b、c的初始值,这个值可以随意指定。往后随着迭代次数增加,a、b、c将会不断变化,使得error函数的值越来越小。
4、leastsq的返回值是一个tuple,它里面有两个元素,第一个元素是a、b、c的求解结果,第二个则为cost function的大小!
3、程序的最终结果与拟合曲线
程序最终的输出结果:
a= 2.06607141425 b= 2.5975001036 c= 4.68999985496
cost:1
求解的曲线是:
y=2.07x*x+2.6x+4.68999985496