Skip to main content
 首页 » 编程设计

python之作为函数一部分的舍入曲线拟合

2024年12月31日8shihaiming

我有一个分为两个列表的数字数据集。它由 round(mx+t) 形式的函数生成。我想找到函数参数并决定使用 Scipy。

我已将两个数据数组的值缩减为以下示例:

x: [26 73 269 361 757] 
y: [7 21 77 103 216] 

这是我的代码,没有对 m*x+t 的结果进行四舍五入。到目前为止,一切正常。

x_data_num = array(x_data) 
y_data_num = array(y_data) 
 
def test_func(x, m, t): 
  return m*x+t 
 
params, params_covariance = optimize.curve_fit(test_func,  
x_data_num, y_data_num) 
 
print(params) 

我首先尝试使用 return round(m*x+t) 实现舍入,但后来发现参数不包含值。 (TypeError:类型 numpy.ndarray 没有定义 __round__ 方法)

因此我决定使用 return np.round(m*x+t),但它也不起作用,给我留下了错误的参数 [1. 1.]

我怀疑我所有的努力都只是围绕最终参数,但我不确定去哪里寻找答案。 This文档帮不上忙。

请您参考如下方法:

您的函数是局部常数,因此许多优化方法都依赖于 m 和 t 的小增量才能正常工作。

如果你知道你的变量 m 和 t 的一些边界,你可以暴力破解你的结果,或者手动(只需循环两个 np.arange() 为 m 和 t,并找到最小值),或者使用 scipy.optimize.brute() .

举一个工作示例,使用您的数据:

import numpy as np 
import scipy.optimize as optimize 
x_data_num = np.array([26, 73,  269, 361, 757])    
y_data_num = np.array([7, 21, 77, 103, 216])  
 
def test_func(x, m, t):  
    return np.round(m*x+t)  
 
def func_to_minimize(p):  
    return np.sum(np.abs(test_func(x_data_num, p[0], p[1]) - y_data_num))  
 
 
x0 = optimize.brute(func_to_minimize, ranges=[slice(-1.,1.,0.1),slice(-1.,1.,0.1)])  
 
print(x0)  

请注意,如果您的切片很大/包含很多点,这可能会非常慢。