这个问题的公认答案提供了一个小型的多多边形拟合库 ,该库可以使用numpy完全满足您的需要,并且您可以将结果插入到绘图中,如下所示。
您只需将x和y点的数组以及所需的拟合度(顺序)传递到multipolyfit
。这将返回系数,然后您可以使用numpy的polyval进行绘制。
注意:下面的代码已被修改以进行多元拟合,但是绘图图像是较早的非多元答案的一部分。
import numpy
import matplotlib.pyplot as plt
import multipolyfit as mpf
data = [[1,1],[4,3],[8,3],[11,4],[10,7],[15,11],[16,12]]
x, y = zip(*data)
plt.plot(x, y, 'kx')
stacked_x = numpy.array([x,x+1,x-1])
coeffs = mpf(stacked_x, y, deg)
x2 = numpy.arange(min(x)-1, max(x)+1, .01) #use more points for a smoother plot
y2 = numpy.polyval(coeffs, x2) #Evaluates the polynomial for each x2 value
plt.plot(x2, y2, label="deg=3")
注意:这是较早答案的一部分,如果您没有多元数据,它仍然很重要。代替coeffs = mpf(...
,而是使用coeffs = numpy.polyfit(x,y,3)
对于非多元数据集,最简单的方法可能是使用numpy的polyfit
:
numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)
最小二乘多项式拟合。
将多项式
p(x) = p[0] * x**deg + ... + p[deg]
度deg
拟合到点(x, y)
。返回最小化平方误差的系数p的向量。
0
如何在python中计算最佳拟合线,然后将其绘制在matplotlib中的散点图上?
我当时使用普通最小二乘回归法计算线性最佳拟合线,如下所示:
这是多变量的(每种情况有很多x值)。因此,X是一个列表列表,而y是一个列表。例如:
但是我该如何使用高阶多项式函数呢?例如,不仅是线性的(x等于M = 1的幂),还包括二项式(x等于M = 2的幂),二次方(x等于M = 4的幂)等等。例如,如何从以下获得最佳拟合曲线?
摘自克里斯托弗·毕晓普(Christopher Bishops)的“模式识别与机器学习”,第7页: