python中leastsq函数的使用方法
作者：开始King
这篇文章主要介绍了python中leastsq函数的使用方法，leastsq作用是最小化一组方程的平方和，下面文章举例说明详细内容，具有一的参考价值，需要的小伙伴可以参考一下
leastsq作用：最小化一组方程的平方和。
参数设置：
func误差函数x0初始化的参数args其他的额外参数
举个例子：
首先创建样本点
import numpy as np import scipy as sp from scipy.optimize import leastsq import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus']=False x=[1,2,3,4] y=[2,3,4,5]
拟合直线
def y_pre(p,x): f=np.poly1d(p) return f(x)
其中的np.polyld
f=np.poly1d([1,2,3]) # x^2+2x+3 f(1) """ 6 """
误差函数
def error(p,x,y): return y-y_pre(p,x)
接下就简单了
p=[1,2] # 值随便写 # y=w1*x+w2 res=leastsq(error,p,args=(x,y)) w1,w2=res[0] # res[0]中就是wi的参数列表 """ 到这w1和w2就已经求出来了，下面是画图看一下 """ x_=np.linspace(1,10,100) # 等差数列， y_p=w1*x_+w2 # 求出的拟合曲线 plt.scatter(x,y) # 样本点 plt.plot(x_,y_p) # 画拟合曲线
可以直接封装成函数
x=np.linspace(0,2,10) y=np.sin(np.pi*x) # 原始的样本 y_=[y + np.random.normal(0,0.1) for y in y] # np.random.normal(loc,scale,size):正态分布的均值,正态分布的标准差,形状 # np.random.randn() # 标准正态分布是以0为均数、以1为标准差的正态分布，记为N（0，1） def fit(M=1): p=np.random.rand(M+1) # 返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1) res=leastsq(error,p,args=(x,y)) # wi 的值 x_point=np.linspace(0,2,100) # 增加数据量为了画出的图平滑 y_point=np.sin(np.pi*x_point) # 增加数据量为了画出的图平滑 plt.plot(x_point,y_point,'r',label='原始') plt.plot(x_point,y_pre(res[0],x_point),'b',label='拟合') plt.scatter(x,y_) plt.legend() fit(3)
你也可以输出一下中间的结果：
x=np.linspace(0,2,10) y=np.sin(np.pi*x) # 原始的样本 y_=[y + np.random.normal(0,0.1) for y in y] # np.random.normal(loc,scale,size):正态分布的均值,正态分布的标准差,形状 # np.random.randn() # 标准正态分布是以0为均数、以1为标准差的正态分布，记为N（0，1） def fit(M=1): p=np.random.rand(M+1) # 返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1) res=leastsq(error,p,args=(x,y)) # wi 的值 x_point=np.linspace(0,2,100) y_point=np.sin(np.pi*x_point) plt.plot(x_point,y_point,'r',label='原始') plt.plot(x_point,y_pre(res[0],x_point),'b',label='拟合') print(res[0]) plt.scatter(x,y_) plt.legend() fit(3)
拟合的直线就是：
到此这篇关于python中leastsq函数的使用方法的文章就介绍到这了,更多相关leastsq函数内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！