python函数拟合方法 python拟合幂函数

python_numpy最小二乘法的曲线拟合

在了解了最小二乘法的基本原理之后 python_numpy实用的最小二乘法理解 ，就可以用最小二乘法做曲线拟合了

从结果中可以看出，直线拟合并不能对拟合数据达到很好的效果，下面我们介绍一下曲线拟合。

b=[y1]

[y2]

......

[y100]

解得拟合函数的系数[a,b,c.....d]

CODE:

根据结果可以看到拟合的效果不错。

我们可以通过改变

来调整拟合效果。

如果此处我们把拟合函数改为最高次为x^20的多项式

所得结果如下：

矫正 过拟合 现象

在保持拟合函数改为最高次为x^20的多项式的条件下，增大样本数：

通过结果可以看出，过拟合现象得到了改善。

相关问答

Q1: Python最小二乘法拟合与作图

在函数拟合中，如果用p表示函数中需要确定的参数，那么目标就是找到一组p，使得下面函数S的值最小：

这种算法称为最小二乘法拟合。Python的Scipy数值计算库中的optimize模块提供了 leastsq() 函数，可以对数据进行最小二乘拟合计算。

此处利用该函数对一段弧线使用圆方程进行了拟合，并通过Matplotlib模块进行了作图，程序内容如下：

Python的使用中需要导入相应的模块，此处首先用 import 语句

分别导入了numpy, leastsq与pylab模块，其中numpy模块常用用与数组类型的建立，读入等过程。leastsq则为最小二乘法拟合函数。pylab是绘图模块。

接下来我们需要读入需要进行拟合的数据，这里使用了 numpy.loadtxt() 函数：

其参数有：

进行拟合时，首先我们需要定义一个目标函数。对于圆的方程，我们需要圆心坐标(a,b)以及半径r三个参数，方便起见用p来存储：

紧接着就可以进行拟合了， leastsq() 函数需要至少提供拟合的函数名与参数的初始值：

返回的结果为一数组，分别为拟合得到的参数与其误差值等，这里只取拟合参数值。

leastsq() 的参数具体有：

输出选项有：

最后我们可以将原数据与拟合结果一同做成线状图，可采用 pylab.plot() 函数：

pylab.plot() 函数需提供两列数组作为输入，其他参数可调控线条颜色，形状，粗细以及对应名称等性质。视需求而定，此处不做详解。

pylab.legend() 函数可以调控图像标签的位置，有无边框等性质。

pylab.annotate() 函数设置注释，需至少提供注释内容与放置位置坐标的参数。

pylab.show() 函数用于显示图像。

最终结果如下图所示：

用Python作科学计算

numpy.loadtxt

scipy.optimize.leastsq

Q2: Python 中的函数拟合

很多业务场景中，我们希望通过一个特定的函数来拟合业务数据，以此来预测未来数据的变化趋势。(比如用户的留存变化、付费变化等)

本文主要介绍在 Python 中常用的两种曲线拟合方法：多项式拟合 和 自定义函数拟合。

通过多项式拟合，我们只需要指定想要拟合的多项式的最高项次是多少即可。

运行结果：

对于自定义函数拟合，不仅可以用于直线、二次曲线、三次曲线的拟合，它可以适用于任意形式的曲线的拟合，只要定义好合适的曲线方程即可。

运行结果：

Q3: python拟合圆如何设置拟合精度

OpenCV曲线拟合与圆拟合

使用OpenCV做图像处理与分析的时候，经常会遇到需要进行曲线拟合与圆拟合的场景，很多OpenCV开发者对此却是一筹莫展，其实OpenCV中是有现成的函数来实现圆拟合与直线拟合的，而且还会告诉你拟合的圆的半径是多少，简直是超级方便，另外一个常用到的场景就是曲线拟合，常见的是基于多项式拟合，可以根据设定的多项式幂次生成多项式方程，然后根据方程进行一系列的点生成，形成完整的曲线，这个车道线检测，轮廓曲线拟合等场景下特别有用。下面就通过两个简单的例子来分别学习一下曲线拟合与圆拟合的应用。

一：曲线拟合与应用

基于Numpy包的polyfit函数实现，其支持的三个参数分别是x点集合、y点集合，以及多项式的幂次。得到多项式方程以后，就可以完整拟合曲线，图中有如下四个点：



调用polyfit生成的二阶多项式如下：



拟合结果如下：



使用三阶多项式拟合，调用polyfit生成的多项式方程如下：



生成的拟合曲线如下：



使用polyfit进行曲线拟合时候需要注意的是，多项式的幂次最大是数据点数目N - 1幂次多项式，比如有4个点，最多生成3阶多项式拟合。上述演示的完整代码实现如下：

def circle_fitness_demo():

image = np.zeros((400, 400, 3), dtype=np.uint8)

x = np.array([30, 50, 100, 120])

y = np.array([100, 150, 240, 200])

for i in range(len(x)):

cv.circle(image, (x[i], y[i]), 3, (255, 0, 0), -1, 8, 0)

cv.imwrite("D:/curve.png", image)

poly = np.poly1d(np.polyfit(x, y, 3))

print(poly)

for t in range(30, 250, 1):

y_ = np.int(poly(t))

cv.circle(image, (t, y_), 1, (0, 0, 255), 1, 8, 0)

cv.imshow("fit curve", image)

cv.imwrite("D:/fitcurve.png", image)

二：圆拟合与应用

圆的拟合是基于轮廓发现的结果，对发现的近似圆的轮廓，通过圆拟合可以得到比较好的显示效果，轮廓发现与拟合的API分别为findContours与fitEllipse，

有图像如下：



使用轮廓发现与圆拟合处理结果如下：



红色表示拟合的圆，蓝色是圆的中心位置

上述完整的演示代码如下：

def circle_fitness_demo():

src = cv.imread("D:/javaopencv/c2.png")

cv.imshow("input", src)

src = cv.GaussianBlur(src, (3, 3), 0)

gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)

cv.imshow("binary", binary)

image, contours, hierachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

for i in range(len(contours)):

rrt = cv.fitEllipse(contours[i])

cv.ellipse(src, rrt, (0, 0, 255), 2, cv.LINE_AA)

x, y = rrt[0]

cv.circle(src, (np.int(x), np.int(y)), 4, (255, 0, 0), -1, 8, 0)

cv.imshow("fit circle", src)

cv.imwrite("D:/fitcircle.png", src)

吾心信其可行，则移山填海之难，终有成功之日；

吾心信其不可行，则反掌折枝之易，亦无收效之期也

Q4: Python科学计算——任意波形拟合

任意波形的生成 (geneartion of arbitrary waveform) 在商业，军事等领域都有着重要的应用，诸如空间光通信 (free-space optics communication)， 高速信号处理 (high-speed signal processing)，雷达 (radar) 等。在任意波形生成后， 如何评估生成的任意波形 成为另外一个重要的话题。

假设有一组实验数据，已知他们之间的函数关系：y=f(x)，通过这些信息，需要确定函数中的一些参数项。例如，f 是一个线型函数 f(x)=k*x+b，那么参数 k 和 b 就是需要确定的值。如果这些参数用 p 表示的话，那么就需要找到一组 p 值使得如下公式中的 S 函数最小：

这种算法被称之为 最小二乘拟合 (least-square fitting)。scipy 中的子函数库 optimize 已经提供实现最小二乘拟合算法的函数 leastsq 。下面是 leastsq 函数导入的方式：

scipy.optimize.leastsq 使用方法

在 Python科学计算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 对数字示波器采集的三角波数据导入进行了介绍，今天，就以 4GHz三角波 波形的拟合为案例介绍任意波形的拟合方法。

在 Python科学计算——如何构建模型？ 一文中，讨论了如何构建三角波模型。在标准三角波波形的基础上添加了 横向，纵向的平移和伸缩特征参数 ，最后添加了 噪声参数 模拟了三角波幅度参差不齐的随机性特征。但在波形拟合时，并不是所有的特征参数都要纳入考量，例如，噪声参数应是 波形生成系统 的固有特征，正因为它的存在使得产生的波形存在瑕疵，因此，在进行波形拟合并评估时，不应将噪声参数纳入考量，最终模型如下：

在调用 scipy.optimize.leastsq 函数时，需要构建误差函数：

有时候，为了使图片有更好的效果，需要对数据进行一些处理：

leastsq 调用方式如下：

合理的设置 p0 可以减少程序运行时间，因此，可以在运行一次程序后，用拟合后的相应数据对 p0 进行修正。

在对波形进行拟合后，调用 pylab 对拟合前后的数据进行可视化：

均方根误差 (root mean square error) 是一个很好的评判标准，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。

RMSE 用程序实现如下：

拟合效果，模型参数输出：

leastsq 函数适用于任何波形的拟合，下面就来介绍一些常用的其他波形：

关于python函数拟合方法和python拟合幂函数的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。