我有一些数据,我想拟合,所以我可以作出一些估计的价值,一个物理参数给定一定的温度。
我用numpy.polyfit作为二次模型,但拟合效果并不如我所希望的那么好,我也没有太多回归经验。
我包括了numpy提供的散点图和模型: S vs Temperature; blue dots are experimental data, black line is the model
x轴是温度(以C为单位),y轴是参数,我们称之为S。这是实验数据,但理论上S应该随着温度的升高趋向于0,随着温度的降低趋向于1。
我的问题是:如何才能更好地拟合这些数据?我应该使用什么库,什么样的函数比多项式更接近这些数据,等等?
如果有用的话,我可以提供代码、多项式系数等。
Here is a Dropbox link to my data.(为了避免混淆,有点重要,虽然它不会改变实际的回归,但是这个数据集中的温度列是Tc-t,其中Tc是转变温度(40C)。我用pandas把这个转换成T,计算40-x)。
对于非线性回归问题,可以从sklearn中尝试SVR()、KNeighborsRegressor()或DecisionTreeRegression(),并比较测试集上的模型性能。
尝试使用多项式核的support vector machine。
使用scikit learn,安装模型可以简单到:
此示例代码使用具有两个形状参数(a和b)和偏移项(不影响曲率)的表达式。方程为“y=1.0/(1.0+exp(-a(x-b)))+Offset”,参数值a=2.1540318329369712E-01,b=-6.6744890642157646E+00,Offset=-3.524129985969645e-01,R平方为0.988,RMSE为0.0085。
该示例包含您用Python代码发布的数据,用于拟合和绘制,并使用scipy.optimize.differential_evolution遗传算法自动估计初始参数。差分进化的scipy实现使用拉丁超立方体算法来确保对参数空间的彻底搜索,这需要搜索的范围-在本示例代码中,这些范围基于最大和最小数据值。
相关问题 更多 >
编程相关推荐