python中leastsq函数如何使用

本篇内容介绍了“python中leastsq函数如何使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

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 npimport scipy as spfrom scipy.optimize import leastsqimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsex=[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+3f(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+w2res=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：

“Python中leastsq函数如何使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！