python多项式近似

原创

mob64ca12e1497a 2024-11-14 04:57:58 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12e1497a的原创作品，请联系作者获取转载授权，否则将追究法律责任

Python 多项式近似的实现指南

在数据科学和机器学习的领域，多项式近似是一种常见的技术，用于通过多项式函数对数据进行建模。本文将带领您一步步实现一个简单的 Python 多项式近似模型，以帮助您理解这个过程。

1. 整体流程

下面是实现多项式近似的整体流程概述。

步骤	描述
1	准备数据
2	数据可视化
3	选择多项式的阶数
4	拟合多项式模型
5	可视化拟合效果
6	评估模型的表现

2. 具体步骤与代码实现

步骤 1：准备数据

我们将使用 NumPy 来创建一些示例数据。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据点
np.random.seed(0)  # 设定随机种子以确保结果可重现
x = np.linspace(-3, 3, 100)  # 在 -3 到 3 之间生成 100 个点
y = 2 * x**3 - 5 * x**2 + np.random.normal(0, 10, size=x.shape)  # 真实函数 + 加入噪声

# 显示数据点
plt.scatter(x, y, color='blue', label='Data Points')
plt.title('Generated Data')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()

步骤 2：数据可视化

上面的代码会生成一组随即噪声的数据点。这是可视化步骤，使我们能够清楚地看到数据分布。

步骤 3：选择多项式的阶数

在拟合多项式之前，我们需要决定使用多少阶的多项式。我们可以试着使用 3 阶多项式。

步骤 4：拟合多项式模型

我们将使用 numpy.polyfit 函数来拟合多项式模型。

# 拟合 3 阶多项式
degree = 3
coefficients = np.polyfit(x, y, degree)  # 拟合
poly = np.poly1d(coefficients)  # 生成多项式对象

步骤 5：可视化拟合效果

我们可以绘制拟合后的多项式与原始数据点进行对比。

# 生成拟合的 y 值
y_fit = poly(x)

# 绘制原始数据点与拟合曲线
plt.scatter(x, y, color='blue', label='Data Points')
plt.plot(x, y_fit, color='red', label='Fitted Polynomial (degree 3)', linewidth=2)
plt.title('Polynomial Fit')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()

步骤 6：评估模型的表现

要评估模型的表现，我们可以计算均方误差 (MSE)。

# 计算均方误差
mse = np.mean((y - y_fit)**2)  # 计算真实值与拟合值之差的平方的平均值
print(f'Mean Squared Error: {mse:.2f}')

3. 关系图

在此，我们可以用 Mermaid 语法展示模型的生成过程。

erDiagram
    DATA {
      int id
      float x
      float y
    }
  
    POLYNOMIAL {
      float coefficients
      int degree
    }
  
    DATA ||--o{ POLYNOMIAL: fits