как лучше подогнать кривую, сосредотачиваясь на большей точности - PullRequest
Новая
       22

как лучше подогнать кривую, сосредотачиваясь на большей точности

0 голосов
/ 23 февраля 2019

последние два дня я работал над определенным набором данных (оранжевая линия рисунка 1 ).

Дело в том, что я хочу, чтобы оно было точным при большем θ [0,1,1].На самом деле, я хотел начать в той же точке (поэтому для θ=1 мы получили ψ=1 тоже) с этой формой:

ψ_f=a1*(1-x)**a2 +a3*(1-x)**a4+1

, но это было суперплохо, как это происходит inf для большего θ.

Для изображения 1 Я использовал scipy.optimize.curve_fit для простой формы

ψ_f = a1 *x**a2

. Ни одна другая форма не была плоской.

Есть идеи, что делать?: (

РЕДАКТИРОВАТЬ:

Данные в форме этот файл , используя следующий код загрузки: 

ww=np.load('Hot3.npy')
s=ww[3]
z=np.array([ww[0],ww[1],ww[2])

и xdata,ydata равно 

xdata = s/max(s)
ydata = z[2]/min(z[2])

Orange is datafit

1 Ответ

0 голосов
/ 24 февраля 2019

Вот пример кода, который, кажется, лучше подходит.Обратите внимание, что я не взял ни журналов, ни нанесенных на график в масштабе журнала.plot

import numpy, scipy, matplotlib
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import warnings


ww=numpy.load('/home/zunzun/temp/hot3.npy')
xData = ww[3]/max(ww[3])
yData = ww[2]/min(ww[2])


def func(x, a, b, c): # Combined Power And Exponential equation from zunzun.com
    power = numpy.power(x, b)
    exponent = numpy.exp(c * x)
    return a * power * exponent 


# numpy defaults are all 1.0, try these instead
initialParameters = numpy.array([1.0,-1.0,-1.0])

# ignore intermediate overflow warning during curve_fit() routine
warnings.filterwarnings("ignore")

# curve fit the test data
fittedParameters, pcov = curve_fit(func, xData, yData, initialParameters)

modelPredictions = func(xData, *fittedParameters) 

absError = modelPredictions - yData

SE = numpy.square(absError) # squared errors
MSE = numpy.mean(SE) # mean squared errors
RMSE = numpy.sqrt(MSE) # Root Mean Squared Error, RMSE
Rsquared = 1.0 - (numpy.var(absError) / numpy.var(yData))

print('Parameters:', fittedParameters)
print('RMSE:', RMSE)
print('R-squared:', Rsquared)

print()


##########################################################
# graphics output section
def ModelAndScatterPlot(graphWidth, graphHeight):
    f = plt.figure(figsize=(graphWidth/100.0, graphHeight/100.0), dpi=100)
    axes = f.add_subplot(111)

    # first the raw data as a scatter plot
    axes.plot(xData, yData,  'o')

    # create data for the fitted equation plot
    xModel = numpy.linspace(min(xData), max(xData))
    yModel = func(xModel, *fittedParameters)

    # now the model as a line plot
    axes.plot(xModel, yModel)

    axes.set_xlabel('X Data') # X axis data label
    axes.set_ylabel('Y Data') # Y axis data label

    plt.show()
    plt.close('all') # clean up after using pyplot

graphWidth = 800
graphHeight = 600
ModelAndScatterPlot(graphWidth, graphHeight)
...