numpy.ma.polyfit#

ma.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)[source]#

最小二乘多项式拟合。

注意

这属于旧的多项式 API 的一部分。从 1.4 版本开始,推荐使用 numpy.polynomial 中定义的新多项式 API。有关差异的总结,请参见 过渡指南

将度数为 deg 的多项式 p(x) = p[0] * x**deg + ... + p[deg] 拟合到点 (x, y)。返回系数向量 p,该向量以 degdeg-1、… 0 的顺序最小化平方误差。

对于新代码,建议使用 Polynomial.fit 类方法,因为它在数值上更稳定。有关更多信息,请参阅该方法的文档。

参数:
xarray_like,形状 (M,)

M 个样本点 (x[i], y[i]) 的 x 坐标。

yarray_like,形状 (M,) 或 (M, K)

样本点的 y 坐标。通过传递包含每个数据集一列的二维数组,可以一次拟合多个共享相同 x 坐标的样本点数据集。

degint

拟合多项式的次数

rcondfloat,可选

拟合的相对条件数。小于此值相对于最大奇异值的奇异值将被忽略。默认值为 len(x)*eps,其中 eps 是浮点类型的相对精度,在大多数情况下约为 2e-16。

fullbool,可选

确定返回值性质的开关。当它为 False(默认值)时,仅返回系数,当它为 True 时,还会返回来自奇异值分解的诊断信息。

warray_like,形状 (M,),可选

权重。如果非 None,则权重 w[i] 应用于在 x[i] 处的未平方残差 y[i] - y_hat[i]。理想情况下,权重的选择应使乘积 w[i]*y[i] 的误差都具有相同的方差。当使用逆方差加权时,使用 w[i] = 1/sigma(y[i])。默认值为 None。

covbool 或 str,可选

如果给出且不为 False,则不仅返回估计值,还返回其协方差矩阵。默认情况下,协方差按 chi2/dof 进行缩放,其中 dof = M - (deg + 1),即,假设权重不可靠,除非在相对意义上,并且所有内容都按比例缩放,以便约化 chi2 为 1。如果 cov='unscaled',则省略此缩放,这与权重为 w = 1/sigma 的情况相关,其中已知 sigma 是不确定度的可靠估计。

返回值:
pndarray,形状 (deg + 1,) 或 (deg + 1, K)

多项式系数,最高次幂在前。如果 y 是二维数组,则第 k 个数据集的系数位于 p[:,k] 中。

残差、秩、奇异值、rcond

仅当 full == True 时才会返回这些值。

  • residuals – 最小二乘拟合的残差平方和

  • rank – 缩放后的范德蒙德矩阵的有效秩

    系数矩阵

  • singular_values – 缩放后的范德蒙德矩阵的奇异值

    系数矩阵

  • rcond – rcond 的值。

更多详细信息,请参见 numpy.linalg.lstsq

Vndarray,形状 (deg + 1, deg + 1) 或 (deg + 1, deg + 1, K)

仅当 full == Falsecov == True 时存在。多项式系数估计的协方差矩阵。该矩阵的对角线是每个系数的方差估计。如果 y 是二维数组,则第 k 个数据集的协方差矩阵位于 V[:,:,k] 中。

警告:
RankWarning

最小二乘拟合中系数矩阵的秩不足。仅当 full == False 时才会发出警告。

可以通过以下方式关闭警告:

>>> import warnings
>>> warnings.simplefilter('ignore', np.exceptions.RankWarning)

另请参阅

polyval

计算多项式值。

linalg.lstsq

计算最小二乘拟合。

scipy.interpolate.UnivariateSpline

计算样条拟合。

注释

x 中的任何掩码值都会传播到 y 中,反之亦然。

该解决方案最小化平方误差

\[E = \sum_{j=0}^k |p(x_j) - y_j|^2\]

在以下方程式中

x[0]**n * p[0] + ... + x[0] * p[n-1] + p[n] = y[0]
x[1]**n * p[0] + ... + x[1] * p[n-1] + p[n] = y[1]
...
x[k]**n * p[0] + ... + x[k] * p[n-1] + p[n] = y[k]

系数 p 的系数矩阵是范德蒙德矩阵。

polyfit 当最小二乘拟合条件很差时,会发出 RankWarning。这意味着由于数值误差,最佳拟合没有得到很好的定义。可以通过降低多项式次数或用 x - x.mean() 替换 x 来改进结果。rcond 参数也可以设置为小于其默认值的值,但由此产生的拟合可能是虚假的:包含来自小奇异值的影响会为结果添加数值噪声。

请注意,当多项式的次数很大或样本点的区间中心位置不佳时,拟合多项式系数本质上是条件很差的。在这些情况下,应始终检查拟合的质量。当多项式拟合不令人满意时,样条可能是不错的替代方案。

参考文献

[1]

维基百科,“曲线拟合”,https://en.wikipedia.org/wiki/Curve_fitting

[2]

维基百科,“多项式插值”,https://en.wikipedia.org/wiki/Polynomial_interpolation

示例

>>> import numpy as np
>>> import warnings
>>> x = np.array([0.0, 1.0, 2.0, 3.0,  4.0,  5.0])
>>> y = np.array([0.0, 0.8, 0.9, 0.1, -0.8, -1.0])
>>> z = np.polyfit(x, y, 3)
>>> z
array([ 0.08703704, -0.81349206,  1.69312169, -0.03968254]) # may vary

使用 poly1d 对象处理多项式很方便。

>>> p = np.poly1d(z)
>>> p(0.5)
0.6143849206349179 # may vary
>>> p(3.5)
-0.34732142857143039 # may vary
>>> p(10)
22.579365079365115 # may vary

高阶多项式可能会剧烈振荡。

>>> with warnings.catch_warnings():
...     warnings.simplefilter('ignore', np.exceptions.RankWarning)
...     p30 = np.poly1d(np.polyfit(x, y, 30))
...
>>> p30(4)
-0.80000000000000204 # may vary
>>> p30(5)
-0.99999999999999445 # may vary
>>> p30(4.5)
-0.10547061179440398 # may vary

插图

>>> import matplotlib.pyplot as plt
>>> xp = np.linspace(-2, 6, 100)
>>> _ = plt.plot(x, y, '.', xp, p(xp), '-', xp, p30(xp), '--')
>>> plt.ylim(-2,2)
(-2, 2)
>>> plt.show()
../../_images/numpy-ma-polyfit-1.png