我已经使用How to apply piecewise linear fit in Python?这个问题中发现的一些代码来执行具有单个断点的分段线性近似。具有n个断点的分段线性拟合
的代码如下:
from scipy import optimize
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10 ,11, 12, 13, 14, 15], dtype=float)
y = np.array([5, 7, 9, 11, 13, 15, 28.92, 42.81, 56.7, 70.59, 84.47, 98.36, 112.25, 126.14, 140.03])
def piecewise_linear(x, x0, y0, k1, k2):
return np.piecewise(x,
[x < x0],
[lambda x:k1*x + y0-k1*x0, lambda x:k2*x + y0-k2*x0])
p , e = optimize.curve_fit(piecewise_linear, x, y)
xd = np.linspace(0, 15, 100)
plt.plot(x, y, "o")
plt.plot(xd, piecewise_linear(xd, *p))
我试图找出如何我可以扩展处理ñ断点。
我试着用下面的代码来处理2断点的piecewise_linear()方法,但它不以任何方式改变断点的值。
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20], dtype=float)
y = np.array([5, 7, 9, 11, 13, 15, 28.92, 42.81, 56.7, 70.59, 84.47, 98.36, 112.25, 126.14, 140.03, 150, 152, 154, 156, 158])
def piecewise_linear(x, x0, x1, a1, b1, a2, b2, a3, b3):
return np.piecewise(x,
[x < x0, np.logical_and(x >= x0, x < x1), x >= x1 ],
[lambda x:a1*x + b1, lambda x:a2*x+b2, lambda x: a3*x + b3])
p , e = optimize.curve_fit(piecewise_linear, x, y)
xd = np.linspace(0, 20, 100)
plt.plot(x, y, "o")
plt.plot(xd, piecewise_linear(xd, *p))
任何投入将不胜感激
'''它不work'''是几乎无用的描述。我也认为你不能通过curve_fit()来实现这一点,当有多个断点时(需要线性约束来处理b0
sascha
我认为,如果我最初在x轴上均匀分布断点,那么找到局部最小值就足以提供一个体面的非最优解。你知道另一个支持线性约束的优化模块吗? –
正如我告诉你的,这不仅仅是这个。忽略平滑性和潜在的非凸性,你可以用scipy的更一般的优化函数,即COBYLA和SQSLP(唯一的两个支持约束)来解决这个问题。我看到的唯一真正的方法是混合整数凸规划,但软件是稀疏的(bonmin和couenne是两个开源解决方案,不适合从python使用; pajarito @ julialang;但是这种方法通常需要一些非 - 简单的公式)。 – sascha