这个拟合曲线是真正意义的运用最下二乘法进行拟合的,先算出来拟合直线k和b,在画图。
和seaborn那个拟合不一样,那个是做分类处理而已。
###最小二乘法试验###
import numpy as np
from scipy.optimize import leastsq
###采样点(Xi,Yi)###
Xi=np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78])
Yi=np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05])
##需要拟合的函数func及误差error###
# 第一次给一个初始值k和b,给一个x,求一个y
def func(p,x):
k,b=p
return k*x+b
# 计算我模拟的函数和真实值的误差。
def error(p,x,y,s):
print (s)
return func(p,x)-y #x、y都是列表,故返回值也是个列表
#TEST
p0=[100,2] # 给定模拟曲线的初始值k和b
#print( error(p0,Xi,Yi) )
###主函数从此开始###
s="Test the number of iteration" #试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的k、b
Para=leastsq(error,p0,args=(Xi,Yi,s)) #把error函数中除了p以外的参数打包到args中
k,b=Para[0]
print("k=",k,'\n',"b=",b)
###绘图,看拟合效果###
import matplotlib.pyplot as plt
plt.figure(figsize=(8,6))
plt.scatter(Xi,Yi,color="red",label="Sample Point",linewidth=3) #画样本点
x=np.linspace(0,10,1000)
y=k*x+b
plt.plot(x,y,color="orange",label="Fitting Line",linewidth=2) #画拟合直线
plt.legend()
plt.show()