Python 大数据集、插值
我正在寻找一个“方法”来得到一个公式,公式来自拟合一组数据(3000点)。我使用的是勒让德多项式,但对于>20个点,它并没有给出精确的值。我可以编写chi2测试,但算法需要大量的时间来计算N个参数,而且一开始我不知道函数是什么样子,所以需要时间。我在想样条线。。。也许 所以输入是:3000品脱 输出:f(x)=。。。某物 我想从fit那里得到一个公式。在python中实现这一点的最佳方法是什么 让原力与我们同在!Python 大数据集、插值,python,numpy,scipy,data-fitting,Python,Numpy,Scipy,Data Fitting,我正在寻找一个“方法”来得到一个公式,公式来自拟合一组数据(3000点)。我使用的是勒让德多项式,但对于>20个点,它并没有给出精确的值。我可以编写chi2测试,但算法需要大量的时间来计算N个参数,而且一开始我不知道函数是什么样子,所以需要时间。我在想样条线。。。也许 所以输入是:3000品脱 输出:f(x)=。。。某物 我想从fit那里得到一个公式。在python中实现这一点的最佳方法是什么 让原力与我们同在! Nykon多项式拟合如何: 或其他一些插值方案: 如果不了解更多关于数据集的信
Nykon多项式拟合如何: 或其他一些插值方案:
如果不了解更多关于数据集的信息,不知道需要多好的拟合,就很难推荐合适的方法 多项式拟合如何: 或其他一些插值方案:
如果不了解更多关于数据集的信息,不知道需要多好的拟合,就很难推荐合适的方法 唯一的公式是3000阶多项式
合身需要有多好?你期望什么类型的公式?唯一的公式是3000阶多项式
合身需要有多好?您希望使用哪种类型的公式?除非样条曲线不能为您提供“公式”,至少除非您有必要处理所有分段线段。即使这样,它也不会轻易地写下来,也不会给你任何好看的东西 简单的样条曲线将为您提供插值。更糟糕的是,对于3000个点,插值样条曲线将提供大约那么多的三次线段!你以前确实说过。当然,一个如此高阶的插值多项式无论如何都是完全的克拉波拉,所以不要认为你可以回到那里 如果您所需要的只是一个可以在任意点提供精确插值的工具,并且您真的不需要一个明确的公式,那么插值样条线是一个不错的选择 或者你真的想要一个近似值?一个能近似拟合数据、消除任何噪声的函数?事实上,很多时候,当不知道自己在做什么的人说“插值”时,他们实际上是指近似、平滑。当然,这是可能的,但是有整本书都是关于曲线拟合的,经验数据的建模。然后,您的第一个目标是选择一个表示此数据的智能模型。当然,最好的方法是,如果你能从对研究关系的物理理解中明智地选择模型,那么你可以使用非线性回归方案来估计该模型的参数,其中有很多可以找到 如果你没有模型,并且不愿意选择一个大致具有适当形状的模型,那么你只能使用样条曲线形式的通用模型,可以在回归意义上进行拟合,或者使用高阶多项式模型,对此我几乎不尊重
我的观点是,你需要做出一些选择,并对模型的选择做一些研究。除非样条曲线不能给你一个“公式”,至少除非你有必要处理所有分段段。即使这样,它也不会轻易地写下来,也不会给你任何好看的东西 简单的样条曲线将为您提供插值。更糟糕的是,对于3000个点,插值样条曲线将提供大约那么多的三次线段!你以前确实说过。当然,一个如此高阶的插值多项式无论如何都是完全的克拉波拉,所以不要认为你可以回到那里 如果您所需要的只是一个可以在任意点提供精确插值的工具,并且您真的不需要一个明确的公式,那么插值样条线是一个不错的选择 或者你真的想要一个近似值?一个能近似拟合数据、消除任何噪声的函数?事实上,很多时候,当不知道自己在做什么的人说“插值”时,他们实际上是指近似、平滑。当然,这是可能的,但是有整本书都是关于曲线拟合的,经验数据的建模。然后,您的第一个目标是选择一个表示此数据的智能模型。当然,最好的方法是,如果你能从对研究关系的物理理解中明智地选择模型,那么你可以使用非线性回归方案来估计该模型的参数,其中有很多可以找到 如果你没有模型,并且不愿意选择一个大致具有适当形状的模型,那么你只能使用样条曲线形式的通用模型,可以在回归意义上进行拟合,或者使用高阶多项式模型,对此我几乎不尊重
我的观点是,您需要做出一些选择,并对模型的选择进行一些研究。您可以对观察到的点进行采样(最好是随机采样),然后将三次样条曲线拟合到此样本(如果重复此过程,您可以创建样条曲线的分布)。将样条曲线拟合到3000个点有点多,但是基于样本生成样条曲线分布可以让您了解函数的外观。正如Josh上面提到的,这是一个开始搜索的好地方 您可以对观察到的点进行采样(最好是随机采样),并将三次样条曲线拟合到此采样(如果重复此过程,您可以创建样条曲线的分布)。将样条曲线拟合到3000个点有点多,但是基于样本生成样条曲线分布可以让您了解函数的外观。正如Josh上面提到的,这是一个开始搜索的好地方 我同意Josh在下面的回答中的评论:不看l