Python 中的函數(shù)擬合

很多業(yè)務(wù)場(chǎng)景中，我們希望通過(guò)一個(gè)特定的函數(shù)來(lái)擬合業(yè)務(wù)數(shù)據(jù)，以此來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)的變化趨勢(shì)。(比如用戶的留存變化、付費(fèi)變化等)

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)！專注于網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、重慶小程序開發(fā)公司、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了龍鳳免費(fèi)建站歡迎大家使用！

本文主要介紹在 Python 中常用的兩種曲線擬合方法：多項(xiàng)式擬合 和 自定義函數(shù)擬合。

通過(guò)多項(xiàng)式擬合，我們只需要指定想要擬合的多項(xiàng)式的最高項(xiàng)次是多少即可。

運(yùn)行結(jié)果：

對(duì)于自定義函數(shù)擬合，不僅可以用于直線、二次曲線、三次曲線的擬合，它可以適用于任意形式的曲線的擬合，只要定義好合適的曲線方程即可。

運(yùn)行結(jié)果：

python擬合指數(shù)函數(shù)初始值如何設(shè)定

求擬合函數(shù)，首先要有因變量和自變量的一組測(cè)試或?qū)嶒?yàn)數(shù)據(jù)，根據(jù)已知的曲線y=f(x)，擬合出Ex和En系數(shù)。當(dāng)用擬合出的函數(shù)與實(shí)驗(yàn)數(shù)據(jù)吻合程度愈高，說(shuō)明擬合得到的Ex和En系數(shù)是合理的。吻合程度用相關(guān)系數(shù)來(lái)衡量，即R^2。首先，我們需要打開Python的shell工具，在shell當(dāng)中新建一個(gè)對(duì)象member，對(duì)member進(jìn)行賦值。 2、這里我們所創(chuàng)建的列表當(dāng)中的元素均屬于字符串類型，同時(shí)我們也可以在列表當(dāng)中創(chuàng)建數(shù)字以及混合類型的元素。 3、先來(lái)使用append函數(shù)對(duì)已經(jīng)創(chuàng)建的列表添加元素，具體如下圖所示，會(huì)自動(dòng)在列表的最后的位置添加一個(gè)元素。 4、再來(lái)使用extend對(duì)來(lái)添加列表元素，如果是添加多個(gè)元素，需要使用列表的形式。 5、使用insert函數(shù)添加列表元素，insert中有兩個(gè)參數(shù)，第一個(gè)參數(shù)即為插入的位置，第二個(gè)參數(shù)即為插入的元素。origin擬合中參數(shù)值是程序擬合的結(jié)果，自定義函數(shù)可以設(shè)置參數(shù)的初值，也可以不設(shè)定參數(shù)的初值。

一般而言，擬合結(jié)果不會(huì)因?yàn)槌踔档牟煌刑蟮钠?，如果偏差很大，說(shuō)明數(shù)據(jù)和函數(shù)不太匹配，需要對(duì)函數(shù)進(jìn)行改正。X0的迭代初始值選擇與求解方程，有著密切的關(guān)系。不同的初始值得出的系數(shù)是完全不一樣的。這要通過(guò)多次選擇和比較，才能得到較為合理的初值。一般的方法，可以通過(guò)隨機(jī)數(shù)并根據(jù)方程的特性來(lái)初選。

Python科學(xué)計(jì)算——任意波形擬合

任意波形的生成 (geneartion of arbitrary waveform) 在商業(yè)，軍事等領(lǐng)域都有著重要的應(yīng)用，諸如空間光通信 (free-space optics communication)， 高速信號(hào)處理 (high-speed signal processing)，雷達(dá) (radar) 等。在任意波形生成后， 如何評(píng)估生成的任意波形 成為另外一個(gè)重要的話題。

假設(shè)有一組實(shí)驗(yàn)數(shù)據(jù)，已知他們之間的函數(shù)關(guān)系：y=f(x)，通過(guò)這些信息，需要確定函數(shù)中的一些參數(shù)項(xiàng)。例如，f 是一個(gè)線型函數(shù) f(x)=k*x+b，那么參數(shù) k 和 b 就是需要確定的值。如果這些參數(shù)用 p 表示的話，那么就需要找到一組 p 值使得如下公式中的 S 函數(shù)最?。?/p>

這種算法被稱之為 最小二乘擬合 (least-square fitting)。scipy 中的子函數(shù)庫(kù) optimize 已經(jīng)提供實(shí)現(xiàn)最小二乘擬合算法的函數(shù) leastsq 。下面是 leastsq 函數(shù)導(dǎo)入的方式：

scipy.optimize.leastsq 使用方法

在 Python科學(xué)計(jì)算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 對(duì)數(shù)字示波器采集的三角波數(shù)據(jù)導(dǎo)入進(jìn)行了介紹，今天，就以 4GHz三角波 波形的擬合為案例介紹任意波形的擬合方法。

在 Python科學(xué)計(jì)算——如何構(gòu)建模型？ 一文中，討論了如何構(gòu)建三角波模型。在標(biāo)準(zhǔn)三角波波形的基礎(chǔ)上添加了 橫向，縱向的平移和伸縮特征參數(shù) ，最后添加了 噪聲參數(shù) 模擬了三角波幅度參差不齊的隨機(jī)性特征。但在波形擬合時(shí)，并不是所有的特征參數(shù)都要納入考量，例如，噪聲參數(shù)應(yīng)是 波形生成系統(tǒng) 的固有特征，正因?yàn)樗拇嬖谑沟卯a(chǎn)生的波形存在瑕疵，因此，在進(jìn)行波形擬合并評(píng)估時(shí)，不應(yīng)將噪聲參數(shù)納入考量，最終模型如下：

在調(diào)用 scipy.optimize.leastsq 函數(shù)時(shí)，需要構(gòu)建誤差函數(shù)：

有時(shí)候，為了使圖片有更好的效果，需要對(duì)數(shù)據(jù)進(jìn)行一些處理：

leastsq 調(diào)用方式如下：

合理的設(shè)置 p0 可以減少程序運(yùn)行時(shí)間，因此，可以在運(yùn)行一次程序后，用擬合后的相應(yīng)數(shù)據(jù)對(duì) p0 進(jìn)行修正。

在對(duì)波形進(jìn)行擬合后，調(diào)用 pylab 對(duì)擬合前后的數(shù)據(jù)進(jìn)行可視化：

均方根誤差 (root mean square error) 是一個(gè)很好的評(píng)判標(biāo)準(zhǔn)，它是觀測(cè)值與真值偏差的平方和觀測(cè)次數(shù)n比值的平方根，在實(shí)際測(cè)量中，觀測(cè)次數(shù)n總是有限的，真值只能用最可信賴（最佳）值來(lái)代替.方根誤差對(duì)一組測(cè)量中的特大或特小誤差反映非常敏感，所以，均方根誤差能夠很好地反映出測(cè)量的精密度。

RMSE 用程序?qū)崿F(xiàn)如下：

擬合效果，模型參數(shù)輸出：

leastsq 函數(shù)適用于任何波形的擬合，下面就來(lái)介紹一些常用的其他波形：