我試圖將一個分段定義的函數擬合到Python中的數據集中。我已經搜索了很長一段時間,但我還沒有找到答案,可能與否。在Python中擬合分段函數
要了解我正在嘗試做什麼,請看下面的示例(這不適用於我)。在這裏,我試圖將一個移位的絕對值函數(f(x)= | x-p |)擬合到以p爲擬合參數的數據集中。
import scipy.optimize as so
import numpy as np
def fitfunc(x,p):
if x>p:
return x-p
else:
return -(x-p)
fitfunc = np.vectorize(fitfunc) #vectorize so you can use func with array
x=np.arange(1,10)
y=fitfunc(x,6)+0.1*np.random.randn(len(x))
popt, pcov = so.curve_fit(fitfunc, x, y) #fitting routine that gives error
有什麼辦法可以在Python中完成這項工作嗎?
R中這樣做的一個方法是:
# Fit of a absolute value function f(x)=|x-p|
f.lr <- function(x,p) {
ifelse(x>p, x-p,-(x-p))
}
x <- seq(0,10) #
y <- f.lr(x,6) + rnorm (length(x),0,2)
plot(y ~ x)
fit.lr <- nls(y ~ f.lr(x,p), start = list(p = 0), trace = T, control = list(warnOnly = T,minFactor = 1/2048))
summary(fit.lr)
coefficients(fit.lr)
p.fit <- coefficients(fit.lr)["p"]
x_fine <- seq(0,10,length.out=1000)
lines(x_fine,f.lr(x_fine,p.fit),type='l',col='red')
lines(x,f.lr(x,6),type='l',col='blue')
後甚至更多的研究,我發現這樣做的一種方式。在這個解決方案中,我不喜歡我必須自己定義錯誤函數的事實。此外,我不太確定它爲什麼必須採用這種lambda風格。因此,任何建議或更復雜的解決方案都非常受歡迎。
import scipy.optimize as so
import numpy as np
import matplotlib.pyplot as plt
def fitfunc(p,x): return x - p if x > p else p - x
def array_fitfunc(p,x):
y = np.zeros(x.shape)
for i in range(len(y)):
y[i]=fitfunc(x[i],p)
return y
errfunc = lambda p, x, y: array_fitfunc(p, x) - y # Distance to the target function
x=np.arange(1,10)
x_fine=np.arange(1,10,0.1)
y=array_fitfunc(6,x)+1*np.random.randn(len(x)) #data with noise
p1, success = so.leastsq(errfunc, -100, args=(x, y), epsfcn=1.) # -100 is the initial value for p; epsfcn sets the step width
plt.plot(x,y,'o') # fit data
plt.plot(x_fine,array_fitfunc(6,x_fine),'r-') #original function
plt.plot(x_fine,array_fitfunc(p1[0],x_fine),'b-') #fitted version
plt.show()
只是想我會提到'高清fitfunc(X,P):返回X - P當x>點別的p - x' –