import numpy as np
import scipy as sp
from scipy.optimize import leastsq
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
x=[1,2,3,4]
y=[2,3,4,5]

def y_pre(p,x):
? ? f=np.poly1d(p)
? ? return f(x)

f=np.poly1d([1,2,3])
?# x^2+2x+3
f(1)
"""
6
"""

def error(p,x,y):
? ? return y-y_pre(p,x)

p=[1,2] ? ?# 值隨便寫(xiě)
# y=w1*x+w2
res=leastsq(error,p,args=(x,y))
w1,w2=res[0] ? # res[0]中就是wi的參數(shù)列表
"""
到這w1和w2就已經(jīng)求出來(lái)了，下面是畫(huà)圖看一下
"""
x_=np.linspace(1,10,100) ? # 等差數(shù)列，
y_p=w1*x_+w2 ? ? ? ? ? ? ? # 求出的擬合曲線
plt.scatter(x,y) ? ? ? ? ? # 樣本點(diǎn)
plt.plot(x_,y_p) ? ? ? ? ? # 畫(huà)擬合曲線

x=np.linspace(0,2,10)
y=np.sin(np.pi*x)
# 原始的樣本
y_=[y + np.random.normal(0,0.1) for y in y] ? ? # np.random.normal(loc,scale,size):正態(tài)分布的均值,正態(tài)分布的標(biāo)準(zhǔn)差,形狀

# np.random.randn() ? # 標(biāo)準(zhǔn)正態(tài)分布是以0為均數(shù)、以1為標(biāo)準(zhǔn)差的正態(tài)分布，記為N（0，1）

def fit(M=1):
? ? p=np.random.rand(M+1) ? # 返回一個(gè)或一組服從“0~1”均勻分布的隨機(jī)樣本值。隨機(jī)樣本取值范圍是[0,1)
? ? res=leastsq(error,p,args=(x,y)) ?# wi 的值
? ? x_point=np.linspace(0,2,100) ?# 增加數(shù)據(jù)量為了畫(huà)出的圖平滑
? ? y_point=np.sin(np.pi*x_point) # 增加數(shù)據(jù)量為了畫(huà)出的圖平滑
? ? plt.plot(x_point,y_point,'r',label='原始')
? ? plt.plot(x_point,y_pre(res[0],x_point),'b',label='擬合')
? ? plt.scatter(x,y_)
? ? plt.legend()
fit(3)

x=np.linspace(0,2,10)
y=np.sin(np.pi*x)
# 原始的樣本
y_=[y + np.random.normal(0,0.1) for y in y] ? ? # np.random.normal(loc,scale,size):正態(tài)分布的均值,正態(tài)分布的標(biāo)準(zhǔn)差,形狀

# np.random.randn() ? # 標(biāo)準(zhǔn)正態(tài)分布是以0為均數(shù)、以1為標(biāo)準(zhǔn)差的正態(tài)分布，記為N（0，1）

def fit(M=1):
? ? p=np.random.rand(M+1) ? # 返回一個(gè)或一組服從“0~1”均勻分布的隨機(jī)樣本值。隨機(jī)樣本取值范圍是[0,1)
? ? res=leastsq(error,p,args=(x,y)) ?# wi 的值
? ? x_point=np.linspace(0,2,100)
? ? y_point=np.sin(np.pi*x_point)
? ? plt.plot(x_point,y_point,'r',label='原始')
? ? plt.plot(x_point,y_pre(res[0],x_point),'b',label='擬合')
? ? print(res[0])
? ? plt.scatter(x,y_)
? ? plt.legend()
fit(3)