快捷導(dǎo)航

對(duì)python實(shí)現(xiàn)二維函數(shù)高次擬合的示例詳解

更新時(shí)間：2018年12月29日 09:37:04 作者：趙遷的博客

今天小編就為大家分享一篇對(duì)python實(shí)現(xiàn)二維函數(shù)高次擬合的示例詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

在參加“數(shù)據(jù)挖掘”比賽中遇到了關(guān)于函數(shù)高次擬合的問題，然后就整理了一下源碼，以便后期的學(xué)習(xí)與改進(jìn)。

在本次“數(shù)據(jù)挖掘”比賽中感覺收獲最大的還是對(duì)于神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)，在接近一周的時(shí)間里，研究了進(jìn)40種神經(jīng)網(wǎng)絡(luò)模型，雖然在持續(xù)一周的挖掘比賽把自己折磨的慘不忍睹，但是收獲頗豐?，F(xiàn)在想想也挺欣慰自己在這段時(shí)間里接受新知識(shí)的能力。關(guān)于神經(jīng)網(wǎng)絡(luò)方面的理解會(huì)在后續(xù)博文中補(bǔ)充（剛提交完論文，還沒來得及整理），先分享一下高次擬合方面的知識(shí)。

# 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

''''' 數(shù)據(jù)導(dǎo)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)
#分別進(jìn)行1,2,3,6次擬合
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)

 # 嶺回歸
 clf = Pipeline([('poly', PolynomialFeatures(degree=d)),
     ('linear', linear_model.Ridge())])
 clf.fit(x[:, np.newaxis], y)
 y_test = clf.predict(x[:, np.newaxis])

 print('多項(xiàng)式參數(shù)%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()

以上這篇對(duì)python實(shí)現(xiàn)二維函數(shù)高次擬合的示例詳解就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: