import numpy as np
import matplotlib.pyplot as plt
x_ = np.array([1.0, 2.0, 4.0, 8.0, 16.0, 33.0])
y_ = np.array([0.4, 0.55, 0.62, 0.72, 0.76, 0.8])
我希望拟合一个回归模型,形式为
y = x ** a
,其中估计出a
的值,目的是对(更)大的未知x
值进行外推。注意: 我需要强制我的模型经过(0, 0)
点。不确定这是否是最好的方法,但我尝试将其转换为找到最适合
log(y) / log(x)
的常数。我已经:x_ = np.array([1.0, 2.0, 4.0, 8.0, 16.0, 33.0])
logx_ = np.log(x_)
y_ = np.array([0.4, 0.55, 0.62, 0.72, 0.76, 0.8])
logy_ = np.log(y_)
y = logy_ / logx_
x = x_
print "y: ", y
z = np.polyfit(x, y, 0)
print "param estimates: ", z
p = np.poly1d(z)
p30 = np.poly1d(np.polyfit(x, y, 30))
xp = np.linspace(0, 35, 6)
_ = plt.plot(x, np.exp(y*np.log(x)), '.', xp, np.exp(p(xp)*np.log(x)), '-')
plt.ylim(0,1.0)
plt.show()
但似乎并没有起作用。 有人能解释一下我做错了什么,并提供一个答案吗?
ln(y)
而不是ln(x)
,因为根据您的模型ln(y)=a*ln(x)
。然后你需要斜率。但我不确定你能否强制polyfit
跳过一个常数;你可能需要使用scipy.optimize.curve_fit
(但这样你可以直接拟合模型)。 - Andras Deak -- Слава Україні