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！
