我有一组数据,我想比较哪一行最能描述它(不同阶的多项式、指数或对数)。
我使用 Python 和 Numpy,对于多项式拟合,有一个函数 polyfit()
。但是我发现没有这样的函数用于指数和对数拟合。
有吗?或者如何解决?
最佳答案
为了拟合y = A + B log x,正好拟合y 反对 (log x)。
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> numpy.polyfit(numpy.log(x), y, 1)
array([ 8.46295607, 6.61867463])
# y ≈ 8.46 log(x) + 6.62
为了拟合y = AeBx,取两边的对数给出log y = log A + Bx。所以适合 (log y) 对 x。
请注意,将 (log y) 拟合为线性会强调 y 的较小值,从而导致较大的 y 偏差较大。这是因为 polyfit
(线性回归)通过最小化 ∑i (ΔY)2 = ∑i (Yi - Ŷ< em>i)2。当Yi = log yi,残基 ΔYi = Δ(log yi) ≈ Δyi/|yi |。因此,即使 polyfit
对较大的 y 做出了非常糟糕的决定,“除以 -|y|” factor 将对其进行补偿,导致 polyfit
偏爱小值。
这可以通过给每个条目一个与y成比例的“权重”来缓解。 polyfit
通过 w
关键字参数支持加权最小二乘。
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> numpy.polyfit(x, numpy.log(y), 1)
array([ 0.10502711, -0.40116352])
# y ≈ exp(-0.401) * exp(0.105 * x) = 0.670 * exp(0.105 * x)
# (^ biased towards small values)
>>> numpy.polyfit(x, numpy.log(y), 1, w=numpy.sqrt(y))
array([ 0.06009446, 1.41648096])
# y ≈ exp(1.42) * exp(0.0601 * x) = 4.12 * exp(0.0601 * x)
# (^ not so biased)
请注意,Excel、LibreOffice 和大多数科学计算器通常对指数回归/趋势线使用未加权(有偏)公式。如果您希望您的结果与这些平台兼容,请不要包括权重,即使它提供了更好的结果。
现在,如果你可以使用 scipy,你可以使用 scipy.optimize.curve_fit
无需转换即可拟合任何模型。
对于y = A + B log x 结果与变换方法相同:
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> scipy.optimize.curve_fit(lambda t,a,b: a+b*numpy.log(t), x, y)
(array([ 6.61867467, 8.46295606]),
array([[ 28.15948002, -7.89609542],
[ -7.89609542, 2.9857172 ]]))
# y ≈ 6.62 + 8.46 log(x)
对于 y = AeBx,我们可以得到更好的拟合,因为它计算 Δ(直接记录y)。但是我们需要提供一个初始化猜测,以便 curve_fit
可以达到所需的局部最小值。
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y)
(array([ 5.60728326e-21, 9.99993501e-01]),
array([[ 4.14809412e-27, -1.45078961e-08],
[ -1.45078961e-08, 5.07411462e+10]]))
# oops, definitely wrong.
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y, p0=(4, 0.1))
(array([ 4.88003249, 0.05531256]),
array([[ 1.01261314e+01, -4.31940132e-02],
[ -4.31940132e-02, 1.91188656e-04]]))
# y ≈ 4.88 exp(0.0553 x). much better.
关于python - 如何在 Python 中进行指数和对数曲线拟合?我发现只有多项式拟合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/3433486/