Java-数据拟合

一、拟合函数常用工具：

Apache Commons Math3

<dependency>
	<groupId>org.apache.commons</groupId>
	<artifactId>commons-math3</artifactId>
	<version>3.6.1</version>
</dependency>

2、二维曲线拟合查看工具
http://tools.jb51.net/jisuanqi/fun_draw
3、三维曲线绘制工具
https://echarts.apache.org/examples/zh/editor.html?c=line3d-orthographic&gl=1

二、线性拟合：

拟合公式：

定义：拟合就是把平面上一系列的点，用一条光滑的曲线连接起来的过程。找到一条最符合这些散点的曲线，使得尽可能多的落在曲线上。常用的方法是最小二乘法。也就是最小二乘问题（采用线性代数的计算对残差最小值进行逼近）
**方法：**线性拟合比较简单，主要是 SimpleRegression 类的 regress() 方法，默认使用 最小二乘法优化器

2.1 RegressionResults 常用参数

RegressionResults 中是拟合的结果
其中重要的几个参数如下：
parameters:
按照次数从低到高，由索引获取；
getParameterEstimate()
globalFitInfo
0: getErrorSumSquares 平方误差之和, SSE 
1: getTotalSumSquares 平方和, SST
2: getRSquared R 平方, RSQ
3: getMeanSquareError 均方误差, MSE
4: getAdjustedRSquared调整后的 R 平方, adjRSQ

2.2拟合代码

public static String linearFit(double[][] data) {
	SimpleRegression regression = new SimpleRegression();
	//导入原始数据集
	regression.addData(data);
	//使用回归结果类接受数据
	RegressionResults results = regression.regress();
	//按照序号获取估计参数
	DecimalFormat df = new DecimalFormat("#0.0000");
	double b = results.getParameterEstimate(0);
	double k = results.getParameterEstimate(1);
	//保留精度
	b = Double.parseDouble(df.format(b));
	k = Double.parseDouble(df.format(k));

        StringBuilder func = new StringBuilder();
        func.append("f(x) =");
        func.append(b >= 0 ? " " : " - ");
        func.append(Math.abs(b));
        func.append(k > 0 ? " + " : " - ");
        func.append(Math.abs(k));
        func.append("x");

        return func.toString();
}

2.3 拟合结果

f(x) = 1.2742 + 1.4149x

三、n次/曲线拟合：

非线性函数：

3.1 方法一：

Step1. 创建多项式：
ParametricUnivariateFunction function = new PolynomialFunction.Parametric();
Step2. 初始化多项式：
SimpleCurveFitter curveFitter = SimpleCurveFitter.create(function,guess);
Step3. 输入Fit函数需要的List类型参数List**：**
double[] best = curveFitter.fit(observedPoints.toList());

 public static String curveFit(double[][] data) {
        //参数单变量函数  多项式函数
        ParametricUnivariateFunction function = new PolynomialFunction.Parametric();
        //按所需次数依次为 常数项、1次项、二次项......
        double[] guess = {0,1,2,3}; 

        // 初始化多项式
        SimpleCurveFitter curveFitter = SimpleCurveFitter.create(function,guess);

        // 添加数据点  可以设置个点权重，默认平均权重
        WeightedObservedPoints observedPoints = new WeightedObservedPoints();
        for (double[] point : data) {
            observedPoints.add(point[0], point[1]);
        }
        //List<WeightedObservedPoint> weightedObservedPoints = observedPoints.toList();
        //拟合结果:依次为 常数项、1次项、二次项.......
        double[] best = curveFitter.fit(observedPoints.toList());

        String fun = "f(x) = ";
        for (int i = best.length - 1; i >= 0; i--) {
            String add = best[i] > 0 ? "+" : "";
            String x = i > 0 ? "x^" + i : "";
            if (i == best.length - 1) {
                fun += (best[i] + x);
            } else {
                fun += (add + best[i] + x);
            }
        }
        return fun;
    }

3.2 方法二：多项式回归拟合

https://alvinalexander.com/java/jwarehouse/commons-math3-3.6.1/src/main/java/org/apache/commons/math3/fitting/PolynomialCurveFitter.java.shtml
Step1. 数据放入加权点对象中：
WeightedObservedPoints points = new WeightedObservedPoints();
Step2. 初始化多项式设置阶数：
SimpleCurveFitter curveFitter = SimpleCurveFitter.create(function,guess);
Step3. 输入数据进行拟合：
double[] result = fitter.fit(points.toList());

public double[] calculatePolynomial(List<Map<String, Object>> list) {
	//创建加权点对象
    WeightedObservedPoints points = new WeightedObservedPoints();

	for (int i = 0; i < list.size(); i++) {
		//把数据点加入观察的序列 参数的格式注意一下***
		points.add(Double.valueOf(list.get(i).get("x").toString()), Double.valueOf(list.get(i).get("y").toString()));
	}
     //指定多项式阶数 可以放到参数里
	PolynomialCurveFitter fitter = PolynomialCurveFitter.create(3); 
    // 曲线拟合完成后，结果保存于数组
	double[] result = fitter.fit(points.toList());  

}

四、信号拟合：

→当数据震荡时，例如去拟合一个设备的采集站，总不可能时单调的，或者在一个大范围内不能是单调的，统计学中总是正太分布的，就决定了数据总是在一个范围内震动的；
→那么联想到了正弦、余弦函数；
→但是在数据拟合不方便对正弦、余弦函数进行拟合，那么对变量进行处理就可以实现了；

多重线性回归
Step1. 数据初始化：
Step2. 创建多重线性回归对象：
OLSMultipleLinearRegression ols = new OLSMultipleLinearRegression();
Step3. 输入数据进行拟合：
ols.newSampleData(YArray,XArray);
double[] ct = ols.estimateRegressionParameters();

    	//获取x 将单变量的数据转为多变量的数据；
        List<double[]> data = new ArrayList<>();
        for (double i = 1; i <= leng; i++) {
            double x1 = Math.cos(i);
            double x2 = Math.sin(i);
            data.add(new double[]{x1, x2});
        }
        double[][] XArray=  data.stream().toArray(double[][]::new);
        //获取y
        double[] YArray = new double[leng];
        for (int i = 0; i < leng; i++) {
            YArray[i] = stringList.get(i);
        }
        OLSMultipleLinearRegression ols = new OLSMultipleLinearRegression();
        ols.newSampleData(YArray,XArray);
        double[] ct = ols.estimateRegressionParameters();

f(x) = 0.0403-1.4025Math.cos(x)-1.3236Math.sin(x)

for (var t = 0; t < 25; t += 1) {
  var x = Math.cos(t);
  var y = Math.sin(t);
  var z = 0.0403-1.4025*Math.cos(x)-1.3236*Math.sin(y);
  data.push([x, y, z]);
}