curve-fitting

    1热度

    2回答

    我有一套我想拟合空间曲线的3d坐标(x,y,z)。有没有人知道Python的现有例程? 根据我发现的(https://docs.scipy.org/doc/scipy/reference/interpolate.html),现有模块用于将曲线拟合到一组2d坐标,以及其他用于将曲面拟合到一组3d坐标的模块。我想要中间路径 - 将曲线拟合成一组三维坐标。 编辑 - 我找到一个明确的答案,这在另一个帖子

    0热度

    1回答

    我使用下面的代码来绘制多个数据点(XI,YI) import numpy as np import matplotlib.pyplot as plt xi = np.array(data_df[['col_A']]) yi = np.array(data_df[['col_B']]) plt.figure() plt.plot(xi, yi) x = np.linspace(0,

    2热度

    1回答

    ,我需要用Python来评估我的数据。不幸的是,我的同学还没有适合的脚本,而且我对编程还很陌生。 我有这样的数据集,我试图通过使用scipy.optimize.curve_fit高斯,以适应它。由于有很多不可用的计数,特别是在轴末端,我想限制要安装的部分。 图片raw data 这是我到目前为止有: import numpy as np import matplotlib.pyplot as p

    0热度

    1回答

    我有一个非常具体的任务,我需要找到我的指数函数的斜率。 我有两个阵列,一个表示波长范围在400和750 nm之间,另一个表示吸收光谱。 x =波长,y =吸收。 我的拟合函数应该是这个样子的是: y_mod = np.float(a_440) * np.exp(-S*(x - 440.)) 其中S是斜率和图像等于0.016,这应该是在价值观我应该得到的范围(+/- 0.003)。 a_440是在4

    0热度

    1回答

    我需要找到一种方法来计算最接近给定点(或从给定点到曲线的最短距离)的拟合曲线上的点。 拟合曲线的方程式的形式为:y = m /(x + a)+ c。我试图解决它,但我得到了一个四次多项式。 有没有一种解决方案可以实现这一点,可以实现数千个点(例如stata)?

    5热度

    1回答

    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。 的代码如下: from scipy import optimize import matplotlib.pyplot as plt import numpy as np %matplotlib inline x = np.array

    -2热度

    2回答

    我想确定估计模型对未来新数据的适用程度。为此,经常使用预测误差图。基本上,我想比较测量的输出和模型输出。我使用最小均方算法作为均衡技术。有人可以请帮助什么是适当的方式来绘制模型和测量数据之间的比较?如果估计值接近真值,那么曲线应该非常接近。以下是代码。 u是均衡器的输入,x是有噪声的接收信号,y是均衡器的输出,w是均衡器权重。应该使用x和y*w来绘制图表吗?但是x是嘈杂。我很困惑,因为测量的输出x

    0热度

    1回答

    我有一些严重问题拟合指数函数(比尔 - 朗伯定律)到我的数据。我使用的优化工具集功能产生可怕千篇一律: function [ Coefficients ] = fitting_new(Modified_Spectrum_Data,trajectory ) x_axis = trajectory; fun = @(x,x_axis) (x(1)*exp((-x(2))*x_axis)); s

    0热度

    1回答

    我提供了一个数据集,我试图找到一些X和Y数据之间的关系。我希望能够使用sklearn库来绘制数据并预测/绘制公式的曲线。 然而,我的代码是停留在一个无限循环,当我尝试和多项式回归模型拟合到我的数据集之后剧情我预测值。 的最终目标将是,一旦我有曲线预测/绘我想能够知道什么是曲线的整个方程。 这是我的代码。 import numpy as np import matplotlib.pyplot as

    0热度

    1回答

    我不能得到这个棚车适合的工作...我得到“OptimizeWarning:参数的协方差无法估计 类别= OptimizeWarning)”,输出系数不会超出开始的猜测。 import numpy as np from scipy.optimize import curve_fit def box(x, *p): height, center, width = p retur