如何在python中计算最佳拟合线,然后将其绘制在matplotlib中的散点图上?
我用普通最小二乘回归法计算线性最佳拟合线,如下所示:
from sklearn import linear_model
clf = linear_model.LinearRegression()
x = [[t.x1,t.x2,t.x3,t.x4,t.x5] for t in self.trainingTexts]
y = [t.human_rating for t in self.trainingTexts]
clf.fit(x,y)
regress_coefs = clf.coef_
regress_intercept = clf.intercept_
这是多变量的(每种情况都有许多x值)。所以,X是一个列表,y是一个列表。 例如:
x = [[1,2,3,4,5], [2,2,4,4,5], [2,2,4,4,1]]
y = [1,2,3,4,5]
但是我怎么用高阶多项式函数来做呢。例如,不仅是线性的(x是M=1的幂),而且是二项式的(x是M=2的幂),求积的(x是M=4的幂),等等。例如,如何从下面得到最适合的曲线?
摘自克里斯托弗主教的“模式识别和机器学习”,第7页:
对this question的公认回答 提供了a small multi poly fit library这将完全满足您使用numpy所需的功能,您可以将结果插入到绘图中,如下所述。
您只需将x和y点的数组以及所需的拟合度(顺序)传递到
multipolyfit
。这将返回系数,然后可以使用numpy的polyval绘制。注意:下面的代码已修改为进行多变量拟合,但绘图图像是早期非多变量答案的一部分。
注意:这是之前答案的一部分,如果没有多元数据,它仍然是相关的。使用
coeffs = numpy.polyfit(x,y,3)
,而不是coeffs = mpf(...
对于非多元数据集,最简单的方法可能是使用numpy的^{} :
相关问题 更多 >
编程相关推荐