python关于拟合的实现

当前位置:

首页 > Python基础教程 >

python关于拟合的实现

嘿，说到拟合，这可是咱们全栈开发中数据分析、机器学习里头的常客了。Python里头拟合数据，咱们常用的库就是NumPy和SciPy，当然，还有强大的机器学习库scikit-learn。今儿个，我就给你简单聊聊这几个库里头拟合数据的那些事儿。

### 用NumPy拟合线性数据

NumPy虽然主要是干数值计算这块的，但它也提供了个`polyfit`函数，能帮咱们拟合多项式。比如说，拟合个线性数据：

import numpy as np
import matplotlib.pyplot as plt

# 假设咱们有些数据点
x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 5, 4])

# 拟合一次多项式（就是线性拟合啦）
coefficients = np.polyfit(x, y, 1)
polynomial = np.poly1d(coefficients)

# 预测值
y_pred = polynomial(x)

# 画图瞅瞅
plt.scatter(x, y, label='Data points')
plt.plot(x, y_pred, label='Fitted line', color='red')
plt.legend()
plt.show()

### 用SciPy拟合非线性数据

SciPy里头有个`curve_fit`函数，这个函数能拟合各种自定义的非线性函数。比如说，拟合个二次函数：

from scipy.optimize import curve_fit

# 自定义个二次函数
def quadratic(x, a, b, c):
return a * x**2 + b * x + c

# 假设咱们有些数据点
x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 4, 9, 16, 25]) # 完美二次函数数据

# 拟合数据
params, covariance = curve_fit(quadratic, x, y)

# 打印拟合参数
print(f"Fitted parameters: a={params[0]}, b={params[1]}, c={params[2]}")

# 预测值
y_pred = quadratic(x, *params)

# 画图瞅瞅
plt.scatter(x, y, label='Data points')
plt.plot(x, y_pred, label='Fitted curve', color='red')
plt.legend()
plt.show()

### 用scikit-learn拟合复杂模型

scikit-learn里头拟合模型就更方便了，它封装了好多常用的机器学习算法。比如说，拟合个线性回归模型：

from sklearn.linear_model import LinearRegression

# 假设咱们有些数据点
x = np.array([[1], [2], [3], [4], [5]]).T # 注意，scikit-learn里头X得是个二维数组
y = np.array([1, 3, 2, 5, 4])

# 创建模型
model = LinearRegression()

# 拟合数据
model.fit(x, y)

# 打印拟合参数
print(f"Coefficient: {model.coef_[0]}, Intercept: {model.intercept_}")

# 预测值
y_pred = model.predict(x)

# 画图瞅瞅
plt.scatter(x, y, label='Data points')
plt.plot(x, y_pred, label='Fitted line', color='red')
plt.legend()
plt.show()

怎么样，这几种拟合方法是不是都挺方便的？NumPy适合快速拟合简单的多项式，SciPy适合拟合自定义的非线性函数，而scikit-learn则适合拟合各种复杂的机器学习模型。具体用哪个，还得看你的数据和需求啦。

最后，如果你对python语言还有任何疑问或者需要进一步的帮助，请访问https://www.xin3721.com 本站原创，转载请注明出处：

栏目列表