pthon最小二乘法实现以及”坑位避让“

初次最小二乘法实现：

import numpy as np
import scipy as sp
import pylab as pl
from scipy.optimize import leastsq
n = 9
def real_func(x):
    return np.sin(2*np.pi*x)
def fit_func(p,x):
    f=np.polyld(p)
    return f(x)
def resideals_func(p,y,x):
    ret = fit_func(p,x) - y
    return ret
...

在这里出现了第一个问题！

 模块numpy中没有poyld，我思量很久终于发现是字母的问题，poly1d中的1是数字1并不是L ！！！不得不说这个浪费时间的东西，坑啊！

你知道之后就继续写，终于写完了！

x = np.linspace(0,1,9)
x_points = np.linspace(0,1,1000)
y0 = real_func(x)
y1 = [np.random.normal(0,0.1)+ y for y in y0]
p_init = np.random.rand(n)
plsq = leastsq(func=resideals_func,x0=p_init,args=(y1,x))
print('Fitting Parameters:',plsq[0])
pl.plot(x_points,real_func(x_points),label='real')
pl.plot(x_points,fit_func(plsq[0],x_points),label='fitting curve')
pl.plot(x,y1,'bo',label = 'with noise')
pl.legend()
pl.show()

 看图发现拟合的很好，不错，这时你就去修改参数让模型更好，将plsq[0]修改为plsq[5]时，你就会发现......

第二个问题

x = np.linspace(0,1,9)
x_points = np.linspace(0,1,1000)
y0 = real_func(x)
y1 = [np.random.normal(0,0.1)+ y for y in y0]
p_init = np.random.rand(n+0)
plsq = leastsq(func=resideals_func,x0=p_init,args=(y1,x))
print('Fitting Parameters:',plsq[5])
pl.plot(x_points,real_func(x_points),label='real')
pl.plot(x_points,fit_func(plsq[5],x_points),label='fitting curve')
pl.plot(x,y1,'bo',label = 'with noise')
pl.legend()
pl.show()

元组索引超出范围...你又不能放弃那就继续去找解决办法吧，终于找到了改进的办法，但是这个问题还时存在的，由于还是个小白，还请大家帮忙解决一下呀。

下面时修改的代码，供参考

import numpy as np
import scipy as sp
import pylab as pl
from scipy.optimize import leastsq

#目标函数
def real_func(x):
    return np.sin(2*np.pi*x)

#多项式,,注意poly1d  y后面是数字1不是L
def fit_func(p,x):
    f=np.poly1d(p)
    return f(x)
#残差
def resideals_func(p,y,x):
    ret = fit_func(p,x) - y
    return ret
#随机选择9个点
x = np.linspace(0,1,9)
x_points = np.linspace(0,1,1000)

#目标函数
y0 = real_func(x)

#在目标函数上添加符合正太分布的噪声函数
y1 = [np.random.normal(0,0.1)+ y for y in y0]

def Fitting(n = 0):
    #随机初始化多项式参数
    p_init = np.random.rand(n+0)

    #通过leastsq函数，寻找最佳匹配函数
    #**
    #func ：残差函数，x0 ：初始参数值，打包到args中
    #*
    plsq = leastsq(func=resideals_func,x0=p_init,args=(y1,x))
    print('Fitting Parameters:',plsq[0])

    #可视化
    pl.plot(x_points,real_func(x_points),label='real')
    pl.plot(x_points,fit_func(plsq[0],x_points),label='fitting curve')
    pl.plot(x,y1,'bo',label = 'with noise')
    pl.legend()
    pl.show()
plsq_1 = Fitting(1)
plsq_5 = Fitting(5)
plsq_9 = Fitting(9)

参考：https://blog.csdn.net/dz4543/article/details/85224391