[Python数据拟合与可视化]：使用线性、多项式、指数和高斯模型拟合数据

这篇文章介绍了[Python数据拟合与可视化]：使用线性、多项式、指数和高斯模型拟合数据，分享给大家做个参考，收藏Python资料网收获更多编程知识

引言

在数据分析和机器学习领域，选择合适的模型对数据进行拟合是至关重要的。本文将通过一个实际的Python编程案例，比较线性、多项式、指数和高斯模型在数据拟合方面的性能。通过生成模拟数据，我们将使用这些模型进行拟合，并评估它们的均方误差（MSE）和决定系数（R^2），最后通过可视化直观地展示拟合效果。

方法

首先，我们使用numpy库生成了120个月的数据，并对这些数据应用了一个包含线性和二次项的函数，同时添加了正态分布的噪声。接着，我们定义了四种不同的模型：线性模型、三阶多项式模型、指数模型和高斯模型。

1. 线性模型和三阶多项式模型使用sklearn的LinearRegression进行拟合。
2. 指数模型和高斯模型则通过scipy的curve_fit函数进行非线性最小二乘拟合。

实验结果

对于每种模型，我们计算了MSE和R^2值来评估拟合的好坏。MSE越低，R^2越接近1，表示模型拟合效果越好。实验结果显示，三阶多项式模型在本案例中表现最佳，其R^2值最高，MSE值最低。

可视化分析

我们使用matplotlib库对所有模型的拟合结果进行了可视化。每个模型的拟合曲线与原始数据一起展示在子图中，直观地比较了不同模型的拟合效果。此外，我们还展示了一个汇总图表，其中包括所有模型的拟合曲线，以及最佳拟合模型的详细信息。

结论

通过本次实验，我们可以看到不同模型在特定数据集上的拟合效果可以有显著差异。选择合适的模型对于数据分析和预测至关重要。此外，可视化是理解数据和模型性能的有力工具。

代码实现：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from scipy.optimize import curve_fit

# 生成随机模拟数据
np.random.seed(42)
months = np.arange(1, 121)
y = 3 * months + 1.4 * months**2 + np.random.normal(loc=0, scale=2*months**1.55, size=120)  # 使用线性关系并添加噪声

# 定义模型
models = {
    "Linear线性": LinearRegression(),
    # "Quadratic二阶多项式": LinearRegression(),
    "Cubic三阶多项式": LinearRegression()
}
degrees = [1,  3]

# 重新拟合模型
predictions = {}
mse_scores = {}
r2_scores = {}
fit_expressions = {}

# 遍历每种模型
for degree, model_name in zip(degrees, models.keys()):
    poly = PolynomialFeatures(degree=degree)
    X_poly = poly.fit_transform(months.reshape(-1, 1))

    # 拟合模型
    models[model_name].fit(X_poly, y)

    # 进行预测
    y_pred = models[model_name].predict(X_poly)
    predictions[model_name] = y_pred
    mse_scores[model_name] = mean_squared_error(y, y_pred)
    r2_scores[model_name] = r2_score(y, y_pred)

    # 提取拟合表达式
    coefficients = models[model_name].coef_
    intercept = models[model_name].intercept_
    fit_expression = f"y = {intercept:.2f}"
    for i, coef in enumerate(coefficients[::-1]):
        fit_expression += f" + {coef:.2f} * x{'^' + str(i+1) if i > 0 else ''}"
    fit_expressions[model_name] = fit_expression

# 重新拟合指数模型
def exponential_func(x, a, b):
    return a * np.exp(b * x)

params_exp, _ = curve_fit(exponential_func, months, y, p0=(1, 0.01))
y_exp_pred = exponential_func(months, *params_exp)
predictions["Exponential指数"] = y_exp_pred
mse_scores["Exponential指数"] = mean_squared_error(y, y_exp_pred)
r2_scores["Exponential指数"] = r2_score(y, y_exp_pred)
fit_expressions["Exponential指数"] = f"y = {params_exp[0]:.2f} * exp({params_exp[1]:.2f} * x)"

# 重新拟合高斯模型
def gaussian_func(x, a, mu, sigma):
    return a * np.exp(-((x - mu)**2) / (2 * sigma**2))

try:
    params_gauss, _ = curve_fit(gaussian_func, months, y, p0=(max(y), np.mean(months), 10), maxfev=10000, bounds=(0, [np.inf, np.inf, np.inf]))
    y_gauss_pred = gaussian_func(months, *params_gauss)
    predictions["Gaussian高斯"] = y_gauss_pred
    mse_scores["Gaussian高斯"] = mean_squared_error(y, y_gauss_pred)
    r2_scores["Gaussian高斯"] = r2_score(y, y_gauss_pred)
    fit_expressions["Gaussian高斯"] = f"y = {params_gauss[0]:.2f} * exp(-((x - {params_gauss[1]:.2f})^2) / (2 * {params_gauss[2]:.2f}^2))"
except RuntimeError as e:
    print("Gaussian fitting failed:", e)

# 可视化结果，设置字体为微软雅黑
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams.update({'font.size': 24})  # 设置全局字体大小

# 创建一个图表和子图布局
fig, axs = plt.subplots(2, 2, figsize=(30, 16))

# 用于存储所有模型名称的列表
all_model_names = list(predictions.keys())

# 遍历每个子图和模型
for ax, model_name in zip(axs.flatten(), all_model_names):
    ax.plot(months, y, color='blue', label='观测值', marker='o', linestyle='-')
    ax.plot(months, predictions[model_name], label=f'{model_name} Fit', linewidth=2)
    ax.set_title(f'{model_name}拟合', fontsize=42)
    ax.set_xlabel('月份', fontsize=26)
    ax.set_ylabel('观测值', fontsize=26)
    ax.legend()
    ax.grid()

    # 在子图上添加文本框以显示模型的信息
    ax.text(0.05, .7, f"{model_name} (MSE:{mse_scores[model_name]:.2f}, R^2: {r2_scores[model_name]:.2f})\n{fit_expressions[model_name]}", transform=ax.transAxes, verticalalignment='top', horizontalalignment='left', color='black')
plt.subplots_adjust(left=0.1, right=0.9, bottom=0.1, top=0.9, wspace=0.2, hspace=0.4)

plt.tight_layout()
plt.savefig('拟合对比-分开.jpg')
plt.show()

# 获取最佳拟合
best_model_name = max(r2_scores, key=r2_scores.get)  # 获取R^2分数最高的模型名称

# 创建一个新图来显示所有模型的拟合结果
plt.figure(figsize=(15, 10))
plt.plot(months, y, color='blue', label='观测值', marker='o', linestyle='-')
for model_name in all_model_names:
    plt.plot(months, predictions[model_name], label=f'{model_name} Fit', linewidth=2)

plt.title('不同拟合方式对比', fontsize=42)
plt.xlabel('月份', fontsize=26)
plt.ylabel('观测值', fontsize=26)
plt.legend()
plt.grid()

# 在图表上添加文本框以显示最佳拟合模型的信息
plt.text(0.21, 0.14, f"最佳拟合模型(R^2最高)：\n{best_model_name} (MSE:{mse_scores[best_model_name]:.2f}, R^2: {r2_scores[best_model_name]:.2f})\n{fit_expressions[best_model_name]}", transform=plt.gca().transAxes, verticalalignment='top', horizontalalignment='left', color='black')

# 通过print输出其他模型的信息
text_str = "五种拟合对比：\n"
for idx, model_name in enumerate(all_model_names):
    text_str += f"{idx+1}.{model_name} (MSE:{mse_scores[model_name]:.2f}, R^2: {r2_scores[model_name]:.2f}):\n {fit_expressions[model_name]}\n"
print(text_str)

plt.savefig('拟合对比.jpg')
plt.show()

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！