对python实现二维函数高次拟合的示例详解_Python

对python实现二维函数高次拟合的示例详解

2021-05-09 00:47赵迁的博客 Python

今天小编就为大家分享一篇对python实现二维函数高次拟合的示例详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

在参加“数据挖掘”比赛中遇到了关于函数高次拟合的问题，然后就整理了一下源码，以便后期的学习与改进。

在本次“数据挖掘”比赛中感觉收获最大的还是对于神经网络的认识，在接近一周的时间里，研究了进40种神经网络模型，虽然在持续一周的挖掘比赛把自己折磨的惨不忍睹，但是收获颇丰。现在想想也挺欣慰自己在这段时间里接受新知识的能力。关于神经网络方面的理解会在后续博文中补充（刚提交完论文，还没来得及整理），先分享一下高次拟合方面的知识。

				?

									# coding=utf-8

									import matplotlib.pyplot as plt

									import numpy as np

									import scipy as sp

									import csv

									from scipy.stats import norm

									from sklearn.pipeline import Pipeline

									from sklearn.linear_model import LinearRegression

									from sklearn.preprocessing import PolynomialFeatures

									from sklearn import linear_model

									''''' 数据导入 '''

									def loadDataSet(fileName):

									 dataMat = []

									 labelMat = []

									 csvfile = file(fileName, 'rb')

									 reader = csv.reader(csvfile)

									 b = 0

									 for line in reader:

									  if line[50] is '':

									   b += 1

									  else:

									   dataMat.append(float(line[41])/100*20+30)

									   labelMat.append(float(line[25])*100)

									 csvfile.close()

									 print "absence time number: %d" % b

									 return dataMat,labelMat

									xArr,yArr = loadDataSet('data.csv')

									x = np.array(xArr)

									y = np.array(yArr)

									# x = np.arange(0, 1, 0.002)

									# y = norm.rvs(0, size=500, scale=0.1)

									# y = y + x ** 2

									def rmse(y_test, y):

									 return sp.sqrt(sp.mean((y_test - y) ** 2))

									def R2(y_test, y_true):

									 return 1 - ((y_test - y_true) ** 2).sum() / ((y_true - y_true.mean()) ** 2).sum()

									def R22(y_test, y_true):

									 y_mean = np.array(y_true)

									 y_mean[:] = y_mean.mean()

									 return 1 - rmse(y_test, y_true) / rmse(y_mean, y_true)

									plt.scatter(x, y, s=5)

									#分别进行1,2,3,6次拟合

									degree = [1, 2,3, 6]

									y_test = []

									y_test = np.array(y_test)

									for d in degree:

									 #普通

									 # clf = Pipeline([('poly', PolynomialFeatures(degree=d)),

									 #     ('linear', LinearRegression(fit_intercept=False))])

									 # clf.fit(x[:, np.newaxis], y)

									 # 岭回归

									 clf = Pipeline([('poly', PolynomialFeatures(degree=d)),

									     ('linear', linear_model.Ridge())])

									 clf.fit(x[:, np.newaxis], y)

									 y_test = clf.predict(x[:, np.newaxis])

									 print('多项式参数%s' %clf.named_steps['linear'].coef_)

									 print('rmse=%.2f, R2=%.2f, R22=%.2f, clf.score=%.2f' %

									   (rmse(y_test, y),

									   R2(y_test, y),

									   R22(y_test, y),

									   clf.score(x[:, np.newaxis], y)))

									 plt.plot(x, y_test, linewidth=2)

									plt.grid()

									plt.legend(['1', '2','3', '6'], loc='upper left')

									plt.show()