python中matplotlib實(shí)現(xiàn)最小二乘法擬合的過程詳解

2019-11-25 16:01:57

字體：大中小

供稿：網(wǎng)友

前言

最小二乘法Least Square Method，做為分類回歸算法的基礎(chǔ)，有著悠久的歷史（由馬里?勒讓德于1806年提出）。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最小。最小二乘法還可用于曲線擬合。其他一些優(yōu)化問題也可通過最小化能量或最大化熵用最小二乘法來表達(dá)。

下面這篇文章主要跟大家介紹了關(guān)于python中matplotlib實(shí)現(xiàn)最小二乘法擬合的相關(guān)內(nèi)容，下面話不多說，來一起看看詳細(xì)的介紹：

一、最小二乘法擬合直線

生成樣本點(diǎn)

首先，我們在直線 y = 3 + 5x 附近生成服從正態(tài)分布的隨機(jī)點(diǎn)，作為擬合直線的樣本點(diǎn)。

import numpy as np import matplotlib.pyplot as plt# 在直線 y = 3 + 5x 附近生成隨機(jī)點(diǎn)X = np.arange(0, 5, 0.1) Z = [3 + 5 * x for x in X] Y = [np.random.normal(z, 0.5) for z in Z]plt.plot(X, Y, 'ro') plt.show()

樣本點(diǎn)如圖所示：

擬合直線

設(shè) y = a0 + a1*x，我們利用最小二乘法的正則方程組來求解未知系數(shù) a0 與 a1。

numpy 的 linalg 模塊中有一個(gè) solve 函數(shù)，它可以根據(jù)方程組的系數(shù)矩陣和方程右端構(gòu)成的向量來求解未知量。

def linear_regression(x, y):  N = len(x) sumx = sum(x) sumy = sum(y) sumx2 = sum(x**2) sumxy = sum(x*y) A = np.mat([[N, sumx], [sumx, sumx2]]) b = np.array([sumy, sumxy]) return np.linalg.solve(A, b)a0, a1 = linear_regression(X, Y)

繪制直線

此時(shí)，我們已經(jīng)得到了擬合后的直線方程系數(shù) a0 和 a1。接下來，我們繪制出這條直線，并與樣本點(diǎn)做對比。

# 生成擬合直線的繪制點(diǎn)_X = [0, 5] _Y = [a0 + a1 * x for x in _X]plt.plot(X, Y, 'ro', _X, _Y, 'b', linewidth=2) plt.title("y = {} + {}x".format(a0, a1)) plt.show()

擬合效果如下：

二、最小二乘法擬合曲線

生成樣本點(diǎn)

與生成直線樣本點(diǎn)相同，我們在曲線 y = 2 + 3x + 4x^2 附近生成服從正態(tài)分布的隨機(jī)點(diǎn)，作為擬合曲線的樣本點(diǎn)。

import numpy as np import matplotlib.pyplot as plt# y = 2 + 3x + 4x^2X = np.arange(0, 5, 0.1) Z = [2 + 3 * x + 4 * x ** 2 for x in X] Y = np.array([np.random.normal(z,3) for z in Z])plt.plot(X, Y, 'ro') plt.show()

樣本點(diǎn)如圖所示：

擬合曲線

設(shè)該曲線的方程為 y = a0 + a1*x + a2*x^2，同樣，我們通過正則方程組來求解未知量 a0、a1 和 a2。

# 生成系數(shù)矩陣Adef gen_coefficient_matrix(X, Y):  N = len(X) m = 3 A = [] # 計(jì)算每一個(gè)方程的系數(shù) for i in range(m):  a = []  # 計(jì)算當(dāng)前方程中的每一個(gè)系數(shù)  for j in range(m):   a.append(sum(X ** (i+j)))  A.append(a) return A# 計(jì)算方程組的右端向量bdef gen_right_vector(X, Y):  N = len(X) m = 3 b = [] for i in range(m):  b.append(sum(X**i * Y)) return bA = gen_coefficient_matrix(X, Y) b = gen_right_vector(X, Y)a0, a1, a2 = np.linalg.solve(A, b)

繪制曲線

我們根據(jù)求得的曲線方程，繪制出曲線的圖像。

# 生成擬合曲線的繪制點(diǎn)_X = np.arange(0, 5, 0.1) _Y = np.array([a0 + a1*x + a2*x**2 for x in _X])plt.plot(X, Y, 'ro', _X, _Y, 'b', linewidth=2) plt.title("y = {} + {}x + {}$x^2$ ".format(a0, a1, a2)) plt.show()

擬合效果如下：