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 np
import scipy as sp
from scipy.optimize import leastsq
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
x=[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+3
f(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+w2
res=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天达云网站，小编将为大家输出更多高质量的实用文章！