1. 简单线性回归
使用回归分析绘制拟合曲线是一种常见的方法，简单线性回归就是其中的一种。简单线性回归可以通过最小二乘法来计算回归系数。以下是一个使用简单线性回归来拟合数据的代码示例：
import numpy as np import matplotlib.pyplot as plt x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5]) # 计算回归系数 slope, intercept = np.polyfit(x, y, 1) # 绘制拟合曲线 plt.scatter(x, y) plt.plot(x, slope * x + intercept, color='red') plt.show()
在该代码中，np.polyfit函数可以用来计算简单线性回归的回归系数。plot函数用来绘制拟合曲线，scatter函数绘制原始数据点。
2. 多项式回归
使用多项式回归是一种常用方法，它可以用来拟合更加复杂的数据集。以下是一个使用多项式回归来拟合数据的代码示例：
import numpy as np import matplotlib.pyplot as plt x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5]) # 计算多项式回归系数 coefs = np.polyfit(x, y, 3) # 使用np.poly1d函数来生成一个多项式拟合对象 poly = np.poly1d(coefs) # 生成新的横坐标，使得拟合曲线更加平滑 new_x = np.linspace(min(x), max(x), 1000) # 绘制拟合曲线 plt.scatter(x, y) plt.plot(new_x, poly(new_x), color='red') plt.show()
与简单线性回归不同，多项式回归可以拟合更加复杂的数据集。在该代码中，np.polyfit函数计算多项式回归系数，np.poly1d函数生成一个多项式拟合对象。plot函数用来绘制拟合曲线，scatter函数绘制原始数据点。
3. 非线性回归
使用非线性回归是一种更加复杂的拟合方法，在实际应用中可以用来拟合更加复杂的非线性数据。以下是一个使用非线性回归来拟合数据的代码示例：
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
def func(x, a, b, c):
return a * np.exp(-b * x) + c
# 生成模拟数据
x_data = np.linspace(0, 4, 50)
y_data = func(x_data, 2.5, 1.3, 0.5) + 0.2 * np.random.normal(size=len(x_data))
# 使用curve_fit函数来拟合非线性数据
popt, pcov = curve_fit(func, x_data, y_data)
# 画出原始数据和拟合曲线
plt.scatter(x_data, y_data, label="Data")
plt.plot(x_data, func(x_data, *popt), color='red', label="Fitted curve")
plt.legend()
plt.show()
在该代码中，使用了Scipy库中的curve_fit函数来拟合非线性数据。curve_fit函数中第一个参数是非线性函数，第二个参数是拟合数据的横坐标，第三个参数是拟合数据的纵坐标。
总结
以上是Python中的三种常用拟合曲线方法。简单线性回归可以拟合线性关系的数据，多项式回归可以拟合更加复杂的数据，而非线性回归则可以用来拟合非线性数据。我们可以根据实际需要选择不同的方法来拟合数据。
到此这篇关于三种用python进行线性/非线性拟合的方法的文章就介绍到这了,更多相关内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文地址：https://blog.csdn.net/weixin_67016521/article/details/130119425
