一、多项式拟合
多项式拟合的话,用的的是numpy这个库的polyfit这个函数。那么多项式拟合,最简单的当然是,一次多项式拟合了,就是线性回归。直接看代码吧
import numpy as np
def linear_regression(x,y):
#y=bx+a,线性回归
num=len(x)
b=(np.sum(x*y)-num*np.mean(x)*np.mean(y))/(np.sum(x*x)-num*np.mean(x)**2)
a=np.mean(y)-b*np.mean(x)
return np.array([b,a])
def f(x):
return 2*x+1
x=np.linspace(-5,5)
y=f(x)+np.random.randn(len(x))#加入噪音
y_fit=np.polyfit(x,y,1)#一次多项式拟合,也就是线性回归
print(linear_regression(x,y))
print(y_fit)
手写线性回归我还是会的,然后我们来看下输出:
[1.9937839 1.24167225]
[1.9937839 1.24167225]
由于有random每次显示的结果都不一样,但很明显的是上下两个print是意料之中的一样,emmmmm,一次多项式拟合的源代码应该就是像我写的那样。好了,那么一次以上呢?咳咳,我数学不算太好,还是老老实实用库函数吧,顺便画下图,见识它的威力。
import numpy as np
from matplotlib import p