我试图曲线拟合Waldram图,以便我可以绘制自己的图。我使用了一个程序,并从图中得到一条曲线作为点数据,并且想要计算出公式。曲线拟合具有未知公式(SciPy)的数据集
我对SciPy有一般的认识,在我看来,你需要有某种想法,曲线的公式应该是什么,我不知道。有没有办法在不知道通用公式的情况下求解最佳拟合曲线?
Python Code for my custom points
我试图曲线拟合Waldram图,以便我可以绘制自己的图。我使用了一个程序,并从图中得到一条曲线作为点数据,并且想要计算出公式。曲线拟合具有未知公式(SciPy)的数据集
我对SciPy有一般的认识,在我看来,你需要有某种想法,曲线的公式应该是什么,我不知道。有没有办法在不知道通用公式的情况下求解最佳拟合曲线?
Python Code for my custom points
简短的回答:不,你所需要的模型的某些功能的形式以适应。
理想情况下,您应该能够根据数据的含义编写一个包含多个参数(然后优化后)的模型。如果这是不可能的,你需要根据你的领域知识来想出合理的东西。
我使用初始参数估计的遗传算法拟合了超过400个已知的具有四个或更少参数的已知非线性方程的数据,并根据排序结果选择了我认为是一个好的候选方程,作为悬链线转换方程(带偏移量) - 见附图。
y = a * cosh((bx + c)/a) + Offset
a = -9.8413881676827686E-02
b = 8.3564373717938123E-03
c = -3.8850547606358887E-04
Offset = 8.7774689075636331E+01
Degrees of freedom (error): 183
Degrees of freedom (regression): 3
Chi-squared: 2232.72609461
R-squared: 0.985367781841
R-squared adjusted: 0.985127909412
Model F-statistic: 4107.88262167
Model F-statistic p-value: 1.11022302463e-16
Model log-likelihood: -497.209347432
AIC: 5.36052778002
BIC: 5.42964240284
Root Mean Squared Error (RMSE): 3.45538879663
a = -9.8413881676827686E-02
std err: 2.35115E-04
t-stat: -6.41825E+00
p-stat: 1.14906E-09
95% confidence intervals: [-1.28667E-01, -6.81608E-02]
b = 8.3564373717938123E-03
std err: 1.27107E-06
t-stat: 7.41202E+00
p-stat: 4.45377E-12
95% confidence intervals: [6.13203E-03, 1.05808E-02]
c = -3.8850547606358887E-04
std err: 3.74545E-07
t-stat: -6.34812E-01
p-stat: 5.26344E-01
95% confidence intervals: [-1.59599E-03, 8.18980E-04]
Offset = 8.7774689075636331E+01
std err: 2.53913E-01
t-stat: 1.74192E+02
p-stat: 0.00000E+00
95% confidence intervals: [8.67805E+01, 8.87689E+01]
Coefficient Covariance Matrix
[ 1.92706102e-05 -1.41684431e-06 1.54227770e-08 -4.40076630e-04]
[ -1.41684431e-06 1.04180031e-07 -1.21060089e-09 3.25700381e-05]
[ 1.54227770e-08 -1.21060089e-09 3.06987009e-08 -8.90474871e-07]
[ -4.40076630e-04 3.25700381e-05 -8.90474871e-07 2.08113423e-02]
假设多项式往往是一个好主意,也因为功能可以扩展成(多项式)系列。 –
从图中你的函数看起来相当周期和对称,所以你可能很幸运适合他们几个dct模式。 –
扩展@ a_guest的评论,你可以使用numpy的[polyfit](https://docs.scipy.org/doc/numpy/reference/generated/numpy.polyfit.html)任意度,直到你的曲线被正确地近似(可接受错误)。它可能行不通,但是一个很好的起点。 –