使用 Python 获取埃尔米特级数对数据的最小二乘拟合
要获取埃尔米特级数对数据的最小二乘拟合,请在 Python Numpy 中使用 hermite.hermfit() 方法。该方法返回从低到高的埃尔米特系数。如果 y 是二维的,则 y 的第 k 列中的数据的系数位于第 k 列。参数 x 是 M 个样本(数据)点的 x 坐标(x[i],y[i])。参数 y 是样本点的 y 坐标。通过为 y 传递包含每个数据集中一列的二维数组,可以在一次调用 polyfit 时独立拟合共享相同 x 坐标的几组样本点。
参数 deg 是拟合多项式的次数。如果 deg 是一个单一的整数,则拟合中将包含直到并包括 deg 次项的所有项。参数 rcond 是拟合的相对条件数。相对于最大奇异值,小于 rcond 的奇异值将被忽略。默认值为 len(x)*eps,其中 eps 是平台浮点类型的相对精度,在大多数情况下约为 2e-16。
参数 full 是确定返回值性质的开关。当为 False(默认值)时,仅返回系数;当为 True 时,还将返回来自奇异值分解的诊断信息。参数 w 是权重。如果非 None,则权重 w[i] 应用于 x[i] 处未平方残差 y[i] - y_hat[i]。理想情况下,权重的选择方式应使 w[i]*y[i] 的乘积误差都具有相同的方差。当使用逆方差加权时,使用 w[i] = 1/sigma(y[i])。默认值为 None。
步骤
首先,导入所需的库:
import numpy as np from numpy.polynomial import hermite as H
x 坐标:
x = np.linspace(-1,1,51)
显示 x 坐标:
print("X Co-ordinate...\n",x)
y 坐标:
y = x**3 - x + np.random.randn(len(x)) print("\nY Co-ordinate...\n",y)
要获取埃尔米特级数对数据的最小二乘拟合,请在 Python numpy 中使用 hermite.hermfit() 方法。该方法返回从低到高的埃尔米特系数。如果 y 是二维的,则 y 的第 k 列中的数据的系数位于第 k 列:
c, stats = H.hermfit(x,y,3,full=True) print("\nResult...\n",c) print("\nResult...\n",stats)
示例
import numpy as np from numpy.polynomial import hermite as H # The x-coordinate x = np.linspace(-1,1,51) # Display the x-coordinate print("X Co-ordinate...\n",x) # The y-coordinate y = x**3 - x + np.random.randn(len(x)) print("\nY Co-ordinate...\n",y) # To get the Least squares fit of Hermite series to data, use the hermite.hermfit() method in Python numpy c, stats = H.hermfit(x,y,3,full=True) print("\nResult...\n",c) print("\nResult...\n",stats)
输出
X Co-ordinate... [-1. -0.96 -0.92 -0.88 -0.84 -0.8 -0.76 -0.72 -0.68 -0.64 -0.6 -0.56 -0.52 -0.48 -0.44 -0.4 -0.36 -0.32 -0.28 -0.24 -0.2 -0.16 -0.12 -0.08 -0.04 0. 0.04 0.08 0.12 0.16 0.2 0.24 0.28 0.32 0.36 0.4 0.44 0.48 0.52 0.56 0.6 0.64 0.68 0.72 0.76 0.8 0.84 0.88 0.92 0.96 1. ] Y Co-ordinate... [-1.54632387 1.51958929 1.97346067 1.17759858 0.18851406 -0.43906085 -0.18878755 -0.25952276 -0.10422342 0.17851603 0.12145051 1.42408375 0.87115462 -1.03677161 1.01691995 0.45143153 -2.11382606 0.92466707 -0.04160743 0.9302213 1.19532222 1.69238045 1.63260027 -0.38037316 1.57013958 0.50920773 -0.19218013 -1.104298 0.10788693 0.68370213 0.7219109 1.28598447 -0.92218973 -0.11028072 -0.49917013 -1.44008132 -1.51616162 -0.80578712 1.47099231 -0.79775329 -1.0606385 -0.59517496 -0.32977967 1.04847432 -2.1621314 -0.40009103 -0.84519 0.06397194 -2.03655702 -0.28429534 0.47013787] Result... [-0.03198532 -0.0005095 -0.11666602 0.08302362] Result... [array([49.28934723]), 4, array([1.39825832, 1.20144978, 0.74600162, 0.21183404]), 1.1324274851176597e-14]
广告