python自带rbf函数吗_如何在Numpy中实现子采样RBF（径向基函数）？

插值函数的缩放

主要问题是插值函数的标准差选择不当：stddev = 100

你的函数(它的峰)的大小约为1。所以，使用

^{pr2}$

X值的顺序

之所以出现红线混乱，是因为matplotlib中的plt按给定的顺序连接连续的数据点。由于X值是随机顺序的，这将导致混乱的左右移动。使用排序的X：X = np.sort(low_x + (high_x - low_x) * np.random.rand(N,1), axis=0)

效率问题

您的get_labels_improved方法效率低下，在X的元素上循环。请使用Y = f(X)，将循环留给低级numy内部。在

另外，超定系统的最小二乘解的计算应该用lstsq来完成，而不是计算伪逆(计算量大)并乘以它。在

这是经过清理的代码；使用30个中心进行匹配。在

import numpy as np

from sklearn.metrics.pairwise import euclidean_distances

import matplotlib.pyplot as plt

N = 5000

low_x =-2*np.pi

high_x=2*np.pi

X = np.sort(low_x + (high_x - low_x) * np.random.rand(N,1), axis=0)

f = lambda x: 2*np.power( 2*np.power( np.cos(x) ,2) - 1, 2) - 1

Y = f(X)

K = 30 # number of centers for RBF

indices=np.random.choice(a=N,size=K) # choose numbers from 0 to D^(1)

subsampled_data_points=X[indices,:] # M_sub x D

stddev = 1

beta = 0.5*np.power(1.0/stddev,2)

Kern = np.exp(-beta*euclidean_distances(X=X, Y=subsampled_data_points,squared=True))

C = np.linalg.lstsq(Kern, Y)[0]

Y_pred = np.dot(Kern, C)

plt.plot(X, Y, 'o', label='Original data', markersize=1)

plt.plot(X, Y_pred, 'r', label='Fitted line', markersize=1)

plt.legend()

plt.show()