python拟合线性函数_python线性拟合代码和函数

1.参考别人写的:

#-*- coding:utf-8 -*-

import math

import matplotlib.pyplot as plt

def linefit(x , y):

N = float(len(x))

sx,sy,sxx,syy,sxy=0,0,0,0,0

for i in range(0,int(N)):

sx += x[i]

sy += y[i]

sxx += x[i]*x[i]

syy += y[i]*y[i]

sxy += x[i]*y[i]

a = (sy*sx/N -sxy)/( sx*sx/N -sxx)

b = (sy - a*sx)/N

r = abs(sy*sx/N-sxy)/math.sqrt((sxx-sx*sx/N)*(syy-sy*sy/N))

return a,b,r

if __name__ == '__main__':

x=[ 1 ,2 ,3 ,4 ,5 ,6]

y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.51]

a,b,r=linefit(x,y)

print("X=",x)

print("Y=",y)

print("拟合结果: y = %10.5f x + %10.5f , r=%10.5f" % (a,b,r) )

plt.plot(x, y, "r:", linewidth=2)

plt.grid(True)

plt.show()

显示图像如下:

2

不用拟合,直接显示一个一元函数

#-*- coding:utf-8 -*-

import numpy as np

import matplotlib.pyplot as plt

import math

f = lambda x:5*x+4

tx = np.linspace(0,10,50)

print tx

plt.plot(tx, f(tx), "r-", linewidth=2)

plt.grid(True)

plt.show()

Python中,我们可以使用`scipy.optimize.curve_fit`函数或者`sklearn.linear_model.LinearRegression`来进行分段线性函数拟合。这里主要介绍如何使用`curve_fit`,它是`scipy.optimize`模块的一部分,适合于非线性模型的拟合,包括线性模型。 **使用`scipy.optimize.curve_fit`进行分段线性拟合** 1. **导入所需库**: ```python from scipy.optimize import curve_fit import numpy as np ``` 2. **假设我们有两个数据集,每个数据集对应一个线性部分**: ```python # 假设有两个线性部分的数据 x_data1 = np.array([...]) # 第一段数据的x值 y_data1 = np.array([...]) # 第一段数据的y值 x_data2 = np.array([...]) # 第二段数据的x值 y_data2 = np.array([...]) # 第二段数据的y值 ``` 3. **定义分段线性函数**: ```python def piecewise_linear(x, a1, b1, x_intercept, a2, b2): y1 = a1 * x + b1 y2 = a2 * (x - x_intercept) + b2 if x >= x_intercept else y1 return y2 ``` 4. **执行拟合**: ```python params_guess = [0.1, 1, x_data1, 0.2, 1] # 初始参数猜测 params, _ = curve_fit(piecewise_linear, np.concatenate((x_data1, x_data2)), np.concatenate((y_data1, y_data2)), p0=params_guess) ``` 5. **使用拟合结果**: ```python a1, b1, x_intercept, a2, b2 = params x_fit = np.linspace(min(x_data1), max(x_data2)) # 新的x值范围用于预测 y_fit1 = piecewise_linear(x_fit, a1, b1, x_intercept, a2, b2) ``` **相关问题--:** 1. 分段线性拟合中为什么要使用`curve_fit`而不是直接画线? 2. 如何处理数据集中断点(即分段点)? 3. 使用`curve_fit`时,如果初始猜测的参数不合适,会有什么影响?
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值