python最小二乘拟合曲线

原创

mob649e81624618 2024-03-24 05:28:19 ©著作权

©著作权归作者所有：来自51CTO博客作者mob649e81624618的原创作品，请联系作者获取转载授权，否则将追究法律责任

Python最小二乘拟合曲线

介绍

在数据分析和机器学习领域，拟合曲线是一种常见的数据建模方法。其中，最小二乘法是一种常用的拟合曲线方法，通过最小化数据点与拟合曲线之间的误差来找到最佳拟合曲线。Python是一种流行的编程语言，拥有丰富的数据分析和科学计算库，因此可以很方便地实现最小二乘拟合曲线。

在本文中，我们将介绍如何使用Python实现最小二乘拟合曲线，包括数据生成、最小二乘拟合以及结果可视化。

数据生成

首先，我们需要生成一组带有一定噪声的数据点，用于拟合曲线。我们可以使用numpy库生成随机数据点，然后添加一些随机误差。

import numpy as np

# 生成随机数据点
np.random.seed(0)
X = np.linspace(0, 10, 100)
Y = 2 * X + 1 + np.random.normal(0, 1, 100)

最小二乘拟合

接下来，我们使用scipy库中的curve_fit函数进行最小二乘拟合。我们首先定义一个拟合函数，然后使用curve_fit函数拟合数据点。

from scipy.optimize import curve_fit

# 定义拟合函数
def linear_func(x, a, b):
    return a * x + b

# 最小二乘拟合
params, covariance = curve_fit(linear_func, X, Y)
a, b = params

结果可视化

最后，我们将拟合曲线和原始数据点可视化，以便直观地了解拟合效果。我们可以使用matplotlib库进行数据可视化。

import matplotlib.pyplot as plt

# 绘制原始数据点
plt.scatter(X, Y, label='Data points')

# 绘制拟合曲线
plt.plot(X, linear_func(X, a, b), color='red', label='Fitted line')

plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

关系图

下面是拟合曲线的关系图，展示了数据点和拟合曲线之间的关系。

erDiagram
        CUSTOMER ||--o{ ORDER : places
        ORDER ||--|{ LINE-ITEM : contains
        CUSTOMER ||--|{ CUSTOMER-ADDRESS : "lives at"
        CUSTOMER ||--|{ PAYMENT : "makes"