python fsolve_Python-optimize.leastsq()和optimize.fsolve()
利用leastsq()函数对数据进行最小二乘算法拟合。
先来看个简单的线性的例子:
#假设要拟合的数据点(xdata,ydata)如下
import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt
xdata=np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78])
ydata=np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05])
#先作图看下大概的(xdata,ydata)的形状
plt.plot(xdata, ydata, 'b.', label='data')
#plt.show()
#可得形状如下
#通过散点(xdata,ydata)的形状,可使用线性函数y=k*x+b来拟合数据点。首先定义残差函数y-f(x)
def residual(p):
k,b=p
return ydata-(k*xdata+b)
result=optimize.leastsq(residual,[0,0])
#leastsq函数的调用形式:scipy.optimize.leastsq(func, x0, args=(), Dfun=None, full_output=0, col_deriv=0, ftol=1.49012e-08, xtol=1.49012e-08, gtol=0.0, maxfev=0, epsfcn=None, factor=100, diag=None)
#leastsq函数中的func和x0为必须的参数,其中func为残差函数y-f(x)(该例为residual函数,即ydata-(k*xdata+b));x0为待定参数估计的初始值,可以验证,leastsq函数对初始估计值不敏感,但是最好还是基于经验取一个大概的值,不然结果会失真,这一点在后面会继续讲到。
#由于在该例的residual函数中,p为两个待定参数k和b的值,所以该例中leastsq函数的x0位置要传入一个二维的列表,而且不能写成r=optimize.leastsq(residual,0,0)。如果写成r=optimize.leastsq(residual,0,0),那么后面的0会传入leastsq函数的args这个参数中。这里需要注意位置的对应关系。
#所以无论residual函数中有多少个待定参数(该例为k和b两个),都写成一个类似于该例一样的数组p,然后在调用leastsq函数时,用一个待定参数初始值的估计值组成的数组(该例为[0,0])传入leastsq函数中。
print (result[0])
#最后将数据点和拟合曲线放在一张图中
ydatafit=result[0][0]*xdata+result[0][1]
#k=result[0][0]; b=result[0][1]
plt.plot(xdata,ydatafit, 'r-', label='fit: a=%5.3f, b=%5.3f' % tuple(result[0]))
plt.show()
#再来看个数据稍微复杂的例子:
#假设要拟合的数据点(xdata,ydata)如下,这里通过函数加入噪声来形成要拟合的数据点
import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt
def func(x):
return 2.5 * np.exp(-1.3 * x) + 0.5
xdata = np.linspace(0, 4, 50)
y=func(xdata)
ydata=y+0.2*np.random.normal(size=xdata.size)
#至此,得到了要拟合的数据点(xdata,ydata),如下图所示
plt.plot(xdata, ydata, 'b.', label='data')
#plt.show()
'''
#这里我们首先以先知者的角色来以形式为y=a* np.exp(-b * x) + c的函数来拟合数据:
def residual(p):
a,b,c=p
return ydata-(a* np.exp(-b * xdata) + c)
#注意这里不要写成returnydata-a* np.exp(-b * xdata) + c
result=optimize.leastsq(residual,[1,1,1])
print (result[0])
#最后将数据点和拟合曲线放在一张图中
a,b,c=result[0]
ydatafit=a* np.exp(-b * xdata) + c
plt.plot(xdata,ydatafit, 'r-', label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(result[0]))
plt.show()
'''
#以上,我们是以一个先知者的角色来选取函数y=a* np.exp(-b * x) + c来拟合,因为数据点是通过这个函数再加入一些噪声形成的。正常地,我们应该通过观测数据点的分布图,然后想到可以利用类似于一个指数函数的形式y=a* x**b + c来拟合。过程如下
def residual(p):
a,b,c=p
return ydata-(a* xdata**b + c)
result=optimize.leastsq(residual,[1,1,1])
print (result[0])
#最后将数据点和拟合曲线放在一张图中
a,b,c=result[0]
ydatafit=a*xdata**b+c
plt.plot(xdata,ydatafit, 'r-', label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(result[0]))
plt.show()
#这里,如果我们改变待定参数的初始估计值,如改为result=optimize.leastsq(residual,[1,100,1]),则形状如下
#显然不是我们想要的结果,所以说虽然leastsq()函数对待定参数的初始估计值不敏感,但是估计值也应该在合理范围中。如果出现类似于上图这种不合理的结果,则再次调整初始估计值则可。
总结一下leastsq()函数的使用:1.首先对于给定数据点的散点形状先进行一个分析,大致判断一个函数的形式。2.写成这个函数的残差函数y-f(x)。3.传入两个必须的参数,即残差函数和待定参数的初始估计值进入leastsq()函数中进行拟合,注意待定参数的初始值要取得较为合理。
#讲到将残差函数传入某函数中进行分析,optimize.fsolve()函数也是需要传入残差函数来计算的,该函数主要是来计算非线性方程组
#optimize.fsolve()函数的调用形式为:scipy.optimize.fsolve(func, x0, args=(), fprime=None, full_output=0, col_deriv=0, xtol=1.49012e-08, maxfev=0, band=None, epsfcn=None, factor=100, diag=None),其中前两个参数func和x0是必须的参数,func为残差函数,x0为待求参数的初始估计值。
#例子如下,要求的非线性方程组如下图
import numpy as np
from scipy import optimize
#定义残差函数
def residual(p):
x0,x1,x2 = p
return[5*np.cos(x1)+3*x0,4*x0**2-2*np.sin(x1*x2),x1*np.sin(x2)-1.5]
result = optimize.fsolve(residual,[1,1,1])
print (result)
#result=[0.06717167 1.61111025 1.94435388]
#此外,optimize.fslove()函数提供了fprime参数(见该函数的调用形式的第三个参数)来传递未知数的雅各比矩阵从而加速计算,传递的雅各比矩阵每i行是第i个方程分别为x0、x1、x2...的导数。如求解上例的代码可以改写为:
import numpy as np
from scipy import optimize
def residual(p):
x0,x1,x2 = p
return[5*np.cos(x1)+3*x0,4*x0**2-2*np.sin(x1*x2),x1*np.sin(x2)-1.5]
def func(p):
x0,x1,x2 = p
return[[3, -5*np.sin(x1), 0], [8*x0, -2*x2*np.cos(x1*x2), -2*x1*np.cos(x1*x2)], [0, np.sin(x2), x1*np.cos(x2)]]
#如[3, -5*np.sin(x1), 0]的三个数则为第一个方程5*np.cos(x1)+3*x0分别对x0、x1、x2的导数,其余类似
result = optimize.fsolve(residual,[1,1,1], fprime=func)
print (result)
#result=[0.06717167 1.61111025 1.94435388]
python fsolve_Python-optimize.leastsq()和optimize.fsolve()相关推荐
- python中使用scipy.optimize.leastsq进行球面、圆柱面、平面拟合
scipy.optimize.leastsq官方文档 之前自己用最小二乘进行过球面.柱面和平面拟合,球面和平面效果都很好,但是柱面效果一直不好(对初值十分敏感,迭代过程中经常出现奇异矩阵,也有可能是自 ...
- mysql optimize 作用_mysql optimize table
mysql 数据文件的使用是只扩展,不回收.对表执行delete之后,磁盘上数据文件是不会缩小的. 通常的做法,是先逻辑导出,然后truncate 原表(或者删除重建),再导入. 另外还有一种方法是o ...
- python科学计算——scipy.optimize
查看全文 http://www.taodudu.cc/news/show-5979774.html 相关文章: python中scipy.optimize_浅谈SciPy中的optimize.mini ...
- python数学建模之用scipy.optimize.minimize解决高次非线性规划问题
在实际的数学建模应用中,我们会遇到很多约束条件是二次的,三次的或者是高次函数的情况,这样用 optimize.linprog()来解决就显得不适用了,因此我们使用scipy.optimize下得min ...
- 拟合与优化——利用Scipy包的optimize模块
目录 chap 0 对数组的操作 0.1 python中的数组创建 0.2 对数组的四则运算 0.3 各种ufunc函数 chap 1 非线性方程组求解 1.1 基础版(不引入Jacobi矩阵 ) 1 ...
- python解非线性方程组_python scipy求解非线性方程的方法(fsolve/root)
使用scipy.optimize模块的root和fsolve函数进行数值求解线性及非线性方程,下面直接贴上代码,代码很简单 from scipy.integrate import odeint imp ...
- python fsolve说明_在python中使用fsolve时形状不匹配
随着你的第二个 f : In [596]: def f(x): ...: u=x[0] ...: v=x[1] ...: return [u+v-4, u**2+v**2-8] ...: 我给它一个2 ...
- minimize函数的使用(scipy.optimize)
minimize函数的使用 1.如何查看函数 2.minimize函数的寻找参数 3.minimize求解约束函数最小值 4.minimize函数官方说明 1.如何查看函数 python中对某个函数进 ...
- scipy.optimize 模块导入问题
不知道大家有没有遇到过这种情况,当我们导入scipy模块时,然后我们使用其中的optimize时总会提示module 'scipy' has no attribute 'optimize'. 代码如下 ...
最新文章
- centos 7 mysql界面管理器_centos7安装mysql5.7.24,并使用system管理mysql
- R语言泊松回归模型案例:基于AER包的affair数据分析
- siesta在Linux运行,请教,为什么siesta编译中没报错,然而运行的时候跑不起来呢...
- 电脑服务器怎么打开网页,电脑的iis服务器打开网页的方法
- 系统权限oracle,oracle系统权限
- script和href
- 网卡故障会出现的错误代码_布袋除尘器压差过高就会导致出现故障
- es scroll 时间_游标查询 Scroll | Elasticsearch: 权威指南 | Elastic
- C++常用方法笔记资料
- html文件设置ftp6,vsftp的安装与配置
- 面试题59 - II. 队列的最大值
- 盘一盘常见的6种索引失效情况
- wordpress如何屏蔽wp-json(禁用REST API)
- [USACO07NOV]牛栏Cow Hurdles
- 如何更改Andrioid模拟器 avd路径
- matlab实现模拟退火算法
- 从零开始学习UCOSII操作系统15--总结篇
- 查询linux下的业务端口,Linux系统查询显示端口信息用什么命令
- 安利这几个网站和软件给你
- linux系统安装达梦数据库
热门文章
- IDEA中maven的命令及作用
- 2022-2028年中国碲化镉薄膜太阳能电池行业发展现状分析及投资前景趋势报告
- 2022-2028年中国数字电视产业投资分析及前景预测报告(全卷)
- C++ 笔记(32)— 预处理、文件包含include、宏替换define、条件包含ifndef、define
- Box2d 基础入门知识
- c++一些常见的知识点
- Keras框架下的保存模型和加载模型
- AI基础架构Pass Infrastructure
- 参数服务器训练基本理论
- java.lang.IllegalArgumentException: column ‘_id‘ does not exist