###最小二乘法试验### #error是自定义计算误差的函数,k,b也就是p0是计算初始化值,args是error其余的参数,该函数返回2个值,第一个是k,b的值 import numpy as np from scipy.optimize import leastsq ###采样点(Xi,Yi)### Xi=np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78]) Yi=np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05]) ###需要拟合的函数func及误差error### def func(p,x): k,b=p return k*x+b def error(p,x,y,s): print (s) return func(p,x)-y #x、y都是列表,故返回值也是个列表 #TEST p0=[100,2] #print( error(p0,Xi,Yi) ) ###主函数从此开始### s="Test the number of iteration" #试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的k、b Para=leastsq(error,p0,args=(Xi,Yi,s)) #把error函数中除了p以外的参数打包到args中 k,b=Para[0] print("k=",k,‘\n‘,"b=",b) ###绘图,看拟合效果### import matplotlib.pyplot as plt plt.figure(figsize=(8,6)) plt.scatter(Xi,Yi,color="red",label="Sample Point",linewidth=3) #画样本点 x=np.linspace(0,10,1000) y=k*x+b plt.plot(x,y,color="orange",label="Fitting Line",linewidth=2) #画拟合直线 plt.legend() plt.show()
主函数可优化为下:
###需要拟合的函数func及误差error### def error(theta,x,y,s): k = theta[0] b = theta[1] y_hat = (k*x+b) print (s) return y-y_hat #x、y都是列表,故返回值也是个列表 ###主函数从此开始### s="Test the number of iteration" #试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的k、b Para=leastsq(error,(100,2),args=(Xi,Yi,s)) #把error函数中除了p以外的参数打包到args中 k,b=Para[0] print("k=",k,‘\n‘,"b=",b)