Hướng dẫn exponential line of best fit python - dòng mũ của con trăn phù hợp nhất
Để phù hợp y = a + b log x, chỉ cần phù hợp với y so với (log x). Show
Để lắp y = aebx, hãy lấy logarit của cả hai bên cho log y = log a + bx. Vì vậy, phù hợp (log y) so với x. Lưu ý rằng việc phù hợp (log y) như thể nó là tuyến tính sẽ nhấn mạnh các giá trị nhỏ của y, gây ra độ lệch lớn cho y lớn. Điều này là do 1 (hồi quy tuyến tính) hoạt động bằng cách giảm thiểu ∑i (ΔY) 2 = ∑i (yi - ŷi) 2. Khi yi = log yi, dư lượng ΔYI = (log yi) ≈ ΔYi / | yi |. Vì vậy, ngay cả khi 1 đưa ra một quyết định rất tồi tệ đối với y lớn, "chia rẽ-by- | y |" Yếu tố sẽ bù đắp cho nó, gây ra 1 ủng hộ các giá trị nhỏ.Điều này có thể được giảm bớt bằng cách cho mỗi mục nhập "trọng lượng" tỷ lệ với y. 1 hỗ trợ các bình phương có trọng số thông qua đối số từ khóa 5.
Lưu ý rằng Excel, LibreOffice và hầu hết các máy tính khoa học thường sử dụng công thức không trọng số (thiên vị) cho các dòng hồi quy / xu hướng theo cấp số nhân. Nếu bạn muốn kết quả của mình tương thích với các nền tảng này, không bao gồm các trọng số ngay cả khi nó cung cấp kết quả tốt hơn. If you want your results to be compatible with these platforms, do not include the weights even if it provides better results. Bây giờ, nếu bạn có thể sử dụng SCIPY, bạn có thể sử dụng 6 để phù hợp với bất kỳ mô hình nào mà không cần biến đổi.Với y = a + b log x, kết quả giống như phương thức chuyển đổi:
Tuy nhiên, đối với y = aebx, chúng ta có thể phù hợp hơn vì nó tính toán trực tiếp Δ (log y). Nhưng chúng ta cần cung cấp một dự đoán khởi tạo để 7 có thể đạt đến mức tối thiểu cục bộ mong muốn.
⇦ Quay lại Làm thế nào để bạn tính toán sự phù hợp theo cấp số nhân trong Python? y = e (ax)*e (b) trong đó a, b là các hệ số của phương trình theo cấp số nhân đó. Chúng tôi cũng sẽ sử dụng phương thức numpy.polyfit () để lắp đường cong. Hàm này có ba tham số x, y và mức độ đa thức (n) trả về các hệ số của đa thức độ n. Làm thế nào để bạn phù hợp với một đường cong theo cấp số nhân cho dữ liệu? Trên tab Curve Fitter, trong phần dữ liệu, bấm chọn Dữ liệu. Trong hộp thoại Chọn dữ liệu phù hợp, chọn dữ liệu x và dữ liệu y hoặc chỉ là dữ liệu y so với chỉ mục. Nhấp vào mũi tên trong phần FIT TYPE để mở bộ sưu tập và nhấp vào hàm mũ trong nhóm mô hình hồi quy. Làm thế nào để Curve_fit hoạt động Python? Hàm đường cong_fit () trả về các giá trị tối ưu cho hàm ánh xạ, ví dụ, các giá trị hệ số. Nó cũng trả về một ma trận hiệp phương sai cho các tham số ước tính, nhưng chúng ta có thể bỏ qua điều đó bây giờ.\(AB^x = Ae^{x\ln(B)}\)). The important thing to realise is that an exponential function can be fully defined with three constants. We will use the second of these formulations, which can be written in Python as 8 where 9 is
the exponential function \(e^x\) from the Numpy package (renamed 0 in our examples).Ví dụ dữ liệuPhương pháp 1: Polyfit
Phương pháp 2: Curve_fit
Phương pháp 1: Polyfit
Nếu bạn có một tập hợp các điểm dữ liệu trông giống như chúng tăng lên nhanh chóng, có thể rất hữu ích khi phù hợp với chúng với một dòng tăng theo cấp số nhân, theo cấp số nhân để mô tả hình dạng chung của dữ liệu: Dòng mà bạn cần phù hợp để đạt được hình dạng này sẽ là hình ảnh được mô tả bởi hàm hàm mũ, đó là bất kỳ chức năng nào của hình thức: \ (y = ab^x + c \)\(f(x) = mx + c\) where:
Đối với hướng dẫn này, hãy để tạo ra một số dữ liệu giả để sử dụng làm ví dụ. Đây phải là một tập hợp các điểm tăng theo cấp số nhân (nếu không thì những nỗ lực của chúng tôi để phù hợp với một đường cong theo cấp số nhân cho họ đã giành được hoạt động tốt!) Với một số tiếng ồn ngẫu nhiên được đưa vào để bắt chước dữ liệu trong thế giới thực:\(\ln(y)\) against \(x\):
Tiếng ồn ngẫu nhiên đang được thêm vào với hàm 1 từ Numpy rút các mẫu ngẫu nhiên từ phân phối bình thường (Gaussian). Chúng ta hãy xem xét dữ liệu ví dụ này trông như thế nào trên một biểu đồ phân tán:
Phương thức này chỉ hoạt động khi \ (c = 0 \), tức là khi bạn muốn lắp một đường cong với phương trình \ (y = ae^{bx} \) với dữ liệu của bạn. Nếu bạn muốn lắp một đường cong với phương trình \ (y = ae^{bx} + c \) với \ (c \ neq 0 \), bạn sẽ cần sử dụng phương pháp 2.
Phương pháp này có nhược điểm của các giá trị nhỏ nhấn mạnh quá số mũ. Hành động biến đổi hàm đa thức thành theo cấp số nhân có tác dụng tăng các giá trị lớn nhiều hơn so với các giá trị nhỏ, và do đó nó có tác dụng tăng khoảng cách đến đường cong được trang bị cho các giá trị lớn hơn so với các giá trị nhỏ . Điều này có thể được giảm thiểu bằng cách thêm một ‘trọng lượng theo tỷ lệ của \ (y \): Nói với 2 để cho vay nhiều hơn đối với các điểm dữ liệu với giá trị y lớn:\(y\): tell 2 to lend more importance to data points with a large y-value:
Sử dụng một trọng lượng đã cải thiện sự phù hợp. Phương pháp 2: Curve_fitTừ Scipy Pacakge, chúng ta có thể nhận được chức năng 6. Điều này là tổng quát hơn 2 (chúng ta có thể phù hợp với bất kỳ loại chức năng nào chúng ta thích, theo cấp số nhân hay không) nhưng nó phức tạp hơn ở chỗ đôi khi chúng ta cần đưa ra dự đoán ban đầu về những gì hằng số có thể để nó hoạt động.Hãy để sử dụng dữ liệu ví dụ ban đầu của chúng tôi (với \ (c \ neq 0 \)):\(c \neq 0\)): 0Bây giờ, hãy để phù hợp với hàm \ (y = ae^{bx} + c \). Điều này được thực hiện bằng cách xác định nó là hàm lambda (tức là là một đối tượng chứ không phải là lệnh) của biến giả \ (t \) và sử dụng hàm 6 để phù hợp với đối tượng này với dữ liệu X- và Y. Lưu ý rằng chức năng 6 cần được nhập từ gói phụ 0:\(y = ae^{bx} + c\). This is done by defining it as a lambda function (ie as an object rather than as a command) of a dummy variable \(t\) and using the 6 function to fit this object to the x- and y-data. Note that the 6 function needs to be imported from the 0 sub-package: 1
Đầu ra đầu tiên, 1, là danh sách các giá trị được tối ưu hóa cho các tham số, trong trường hợp của chúng tôi là các hằng số \ (a \), \ (b \) và \ (c \):\(a\), \(b\) and \(c\): 2Hãy để xem những gì nó trông như thế nào: 3Điều này có vẻ thực sự tốt, và chúng tôi đã không cần phải cung cấp một phỏng đoán ban đầu! Điều này là do dữ liệu ví dụ chúng tôi đang sử dụng đủ gần với số mũ mà thuật toán tối ưu hóa phía sau 6 có thể phù hợp với đường cong mà không vô tình chọn mức tối thiểu cục bộ sai. Điều này won luôn luôn là trường hợp, vì vậy, đây là cách để thực hiện nó với một dự đoán ban đầu được cung cấp: 4 5So sánh các phương phápHãy để âm mưu cho cả ba phương thức với nhau bằng cách sử dụng cùng một dữ liệu ví dụ (\ (c = 0 \)) cho mỗi phương pháp:\(c = 0\)) for each: 6Như bạn có thể thấy, phương pháp 6 đã cho chúng ta xấp xỉ tốt nhất về hành vi theo cấp số nhân thực sự.Nội suy và ngoại suy (dự báo/dự đoán/ước tính)Chúng tôi có thể sử dụng đường cong được trang bị để ước tính dữ liệu của chúng tôi sẽ là gì cho các giá trị khác của \ (x \) không có trong bộ dữ liệu thô của chúng tôi: giá trị sẽ ở mức \ (x = 11 \) (nằm ngoài miền của chúng tôi và Do đó, yêu cầu chúng tôi dự báo trong tương lai) hoặc \ (x = 8,5 \) (nằm trong miền của chúng tôi và do đó yêu cầu chúng tôi 'điền vào khoảng cách' trong dữ liệu của chúng tôi)? Để trả lời những câu hỏi này, chúng tôi chỉ cần cắm các giá trị X này làm số vào phương trình của đường cong được trang bị:\(x\) that are not in our raw dataset: what would the value be at \(x=11\) (which is outside our domain and thus requires us to forecast into the future) or \(x = 8.5\) (which is inside our domain and thus requires us to ‘fill in a gap’ in our data)? To answer these questions, we simply plug these x-values as numbers into the equation of the fitted curve: 7Rõ ràng hơn: 8 9Sử dụng một lô thanhNếu bạn muốn sử dụng một âm mưu thanh thay vì biểu đồ phân tán: 0⇦ Quay lại Làm thế nào để bạn tính toán sự phù hợp theo cấp số nhân trong Python?y = e (ax)*e (b) trong đó a, b là các hệ số của phương trình theo cấp số nhân đó.Chúng tôi cũng sẽ sử dụng phương thức numpy.polyfit () để lắp đường cong.Hàm này có ba tham số x, y và mức độ đa thức (n) trả về các hệ số của đa thức độ n.(ax)*e(b) where a ,b are coefficients of that exponential equation. We would also use numpy. polyfit() method for fitting the curve. This function takes on three parameters x, y and the polynomial degree(n) returns coefficients of nth degree polynomial.
Làm thế nào để bạn phù hợp với một đường cong theo cấp số nhân cho dữ liệu?Trên tab Curve Fitter, trong phần dữ liệu, bấm chọn Dữ liệu.Trong hộp thoại Chọn dữ liệu phù hợp, chọn dữ liệu x và dữ liệu y hoặc chỉ là dữ liệu y so với chỉ mục.Nhấp vào mũi tên trong phần FIT TYPE để mở bộ sưu tập và nhấp vào hàm mũ trong nhóm mô hình hồi quy.
Làm thế nào để Curve_fit hoạt động Python?Hàm đường cong_fit () trả về các giá trị tối ưu cho hàm ánh xạ, ví dụ, các giá trị hệ số.Nó cũng trả về một ma trận hiệp phương sai cho các tham số ước tính, nhưng chúng ta có thể bỏ qua điều đó bây giờ.returns the optimal values for the mapping function, e.g, the coefficient values. It also returns a covariance matrix for the estimated parameters, but we can ignore that for now. |