Uydurma için y = A + B günlük x , sadece uygun y (log karşı x ).
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> numpy.polyfit(numpy.log(x), y, 1)
array([ 8.46295607, 6.61867463])
# y ≈ 8.46 log(x) + 6.62
Y = Ae Bx montajı için, her iki tarafın logaritmasını alın log y = log A + Bx verir . Bu yüzden x'e (log y ) uyun .
Bağlantı elemanının (log y ) lineermiş gibi y'nin küçük y değerlerini vurgulayacağını ve büyük y için büyük sapmaya neden olacağını unutmayın . Çünkü polyfit
(doğrusal regresyon)) i (Δ Y ) 2 = ∑ i ( Y i - Ŷ i ) 2'yi minimize ederek çalışır . Zaman , Y i = log y ı , artıklar Δ Y i Δ = (log y i ) ≈ Δ y ı / | y i |. Yani bilepolyfit
büyük y için çok kötü bir karar verir , "bölü | | y |" faktörü telafi edecek ve polyfit
küçük değerlere neden olacaktır .
Bu, her girişe y ile orantılı bir "ağırlık" verilerek hafifletilebilir . anahtar kelime bağımsız değişkeni polyfit
üzerinden ağırlıklı en küçük kareleri destekler w
.
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> numpy.polyfit(x, numpy.log(y), 1)
array([ 0.10502711, -0.40116352])
# y ≈ exp(-0.401) * exp(0.105 * x) = 0.670 * exp(0.105 * x)
# (^ biased towards small values)
>>> numpy.polyfit(x, numpy.log(y), 1, w=numpy.sqrt(y))
array([ 0.06009446, 1.41648096])
# y ≈ exp(1.42) * exp(0.0601 * x) = 4.12 * exp(0.0601 * x)
# (^ not so biased)
Excel, LibreOffice ve çoğu bilimsel hesap makinesinin genellikle üstel regresyon / trend çizgileri için ağırlıksız (önyargılı) formülü kullandığını unutmayın. Sonuçlarınızın bu platformlarla uyumlu olmasını istiyorsanız, daha iyi sonuçlar alsa bile ağırlıkları eklemeyin.
Şimdi, scipy kullanabiliyorsanız scipy.optimize.curve_fit
, herhangi bir modele dönüştürmeden sığdırmak için kullanabilirsiniz .
İçin y = A + B günlük x sonucu dönüştürme yöntemi olarak aynıdır:
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> scipy.optimize.curve_fit(lambda t,a,b: a+b*numpy.log(t), x, y)
(array([ 6.61867467, 8.46295606]),
array([[ 28.15948002, -7.89609542],
[ -7.89609542, 2.9857172 ]]))
# y ≈ 6.62 + 8.46 log(x)
İçin y = Ae Bx o ö (log hesaplar, ancak, çünkü biz daha iyi bir uyum elde edebilirsiniz y doğrudan). Ancak curve_fit
, istenen yerel minimum değere ulaşabilmek için bir başlangıç tahmini sağlamalıyız .
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y)
(array([ 5.60728326e-21, 9.99993501e-01]),
array([[ 4.14809412e-27, -1.45078961e-08],
[ -1.45078961e-08, 5.07411462e+10]]))
# oops, definitely wrong.
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y, p0=(4, 0.1))
(array([ 4.88003249, 0.05531256]),
array([[ 1.01261314e+01, -4.31940132e-02],
[ -4.31940132e-02, 1.91188656e-04]]))
# y ≈ 4.88 exp(0.0553 x). much better.