Skip to main content
 首页 » 编程设计

python之如何将两个线性函数拟合到一组数据点

2024年12月31日11emanlee

我有一组数据点,它们看起来有点像一条线,开头附近有一条曲线。请参见下图,其中显示了具有最佳拟合线的点(适合整个数据集)。

相反,它们可以用两个线性函数来描述(一条线穿过最左边的点集,另一条线穿过其余数据点)。这些点实际对应的是中子衰变,中子衰变包含两种不同的同位素。

我不知道哪些点对应于哪种同位素,因此我需要以某种方式做出最佳猜测。一种同位素的曲线将是一条直线,而另一种同位素的曲线将是一条不同的直线。如何将两条不同的最佳拟合线(线性)拟合到数据点集,以便优化两者的拟合?

我的一个想法是选择一个“截止点”,比如在 t=100(x 轴)处,然后将左侧的点拟合成一条线,将这些点拟合到到另一条线。然后我可以计算两条线的 chi^2 以获得拟合的“优度”。然后,我可以使用略有不同的截止点多次重复相同的操作,直到找到提供最佳整体拟合的那对线。

另一个似乎更复杂的想法是将这些数据点描述为两条线的组合,y= m1*t + m2*t + b1 + b2,其中 ms 是斜率,bs 是 y 轴截距。然后,对总曲线求导,得到 dy/dt = m1+m2。然后也许我可以循环通过不同的“截止点”,并拟合线条,直到我得到导数最接近 m1+m2 的组合。但我不确定如何做到这一点,因为我最初没有使用一条曲线,只是一堆离散的数据点。

在 Python 中优化两个拟合的最佳方法是什么?

请您参考如下方法:

这可以解释为 time-series segmentation结合 linear regression 的问题.有多种方法可以解决这个问题。其中一个您已经提到:一个手动选择的数据分割点,另一个试图最小化错误。

首先我尝试重新创建数据:

import numpy as np; import matplotlib.pyplot as plt 
y1 = np.linspace(5.5, 3.7, num=100) 
y1 = y1 + np.random.rand(y1.shape[0]) * np.linspace(0, .3, num=y1.shape[0]) 
y2 = np.linspace(3.7, 1.1, num=500) 
y2 = y2 + np.random.rand(y2.shape[0]) * np.linspace(0.3, 1.9, num=y2.shape[0]) 
y = np.append(y1, y2) 
x = np.array(range(len(y))) 

然后我使用 numpy.linalg.lstsq 进行两次线性拟合它本身是基于 least squares 的方法:

x1 = x[:100] 
y1 = y[:100] 
A1 = np.vstack([x1, np.ones(len(x1))]).T 
m1, c1 = np.linalg.lstsq(A1, y1, rcond=None)[0] 
 
x2 = x[100:] 
y2 = y[100:] 
A2 = np.vstack([x2, np.ones(len(x2))]).T 
m2, c2 = np.linalg.lstsq(A2, y2, rcond=None)[0] 

将其绘制成下图:

plt.scatter(x, y) 
plt.plot(x1, m1 * x1 + c1, 'r') 
plt.plot(x2, m2 * x2 + c2, 'r') 
plt.show() 

您现在可以使用像 SWAB 这样的自动分割算法替换 [100:] 和 [:100] 切片,但如果您能够手动决定,我建议不要这样做数据。如果您正在寻找实现,请查看提供的链接。