这篇教程用python进行线性/非线性拟合的三种方法写得很实用，希望能帮到您。
1. 简单线性回归使用回归分析绘制拟合曲线是一种常见的方法，简单线性回归就是其中的一种。简单线性回归可以通过最小二乘法来计算回归系数。以下是一个使用简单线性回归来拟合数据的代码示例： import numpy as npimport matplotlib.pyplot as pltx = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])# 计算回归系数slope, intercept = np.polyfit(x, y, 1)# 绘制拟合曲线plt.scatter(x, y)plt.plot(x, slope * x + intercept, color='red')plt.show() 在该代码中，np.polyfit函数可以用来计算简单线性回归的回归系数。plot函数用来绘制拟合曲线，scatter函数绘制原始数据点。 
2. 多项式回归使用多项式回归是一种常用方法，它可以用来拟合更加复杂的数据集。以下是一个使用多项式回归来拟合数据的代码示例： import numpy as npimport matplotlib.pyplot as pltx = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])# 计算多项式回归系数coefs = np.polyfit(x, y, 3)# 使用np.poly1d函数来生成一个多项式拟合对象poly = np.poly1d(coefs)# 生成新的横坐标，使得拟合曲线更加平滑new_x = np.linspace(min(x), max(x), 1000)# 绘制拟合曲线plt.scatter(x, y)plt.plot(new_x, poly(new_x), color='red')plt.show() 与简单线性回归不同，多项式回归可以拟合更加复杂的数据集。在该代码中，np.polyfit函数计算多项式回归系数，np.poly1d函数生成一个多项式拟合对象。plot函数用来绘制拟合曲线，scatter函数绘制原始数据点。 
3. 非线性回归使用非线性回归是一种更加复杂的拟合方法，在实际应用中可以用来拟合更加复杂的非线性数据。以下是一个使用非线性回归来拟合数据的代码示例： import numpy as npimport matplotlib.pyplot as pltfrom scipy.optimize import curve_fitdef func(x, a, b, c): return a * np.exp(-b * x) + c# 生成模拟数据x_data = np.linspace(0, 4, 50)y_data = func(x_data, 2.5, 1.3, 0.5) + 0.2 * np.random.normal(size=len(x_data))# 使用curve_fit函数来拟合非线性数据popt, pcov = curve_fit(func, x_data, y_data)# 画出原始数据和拟合曲线plt.scatter(x_data, y_data, label="Data")plt.plot(x_data, func(x_data, *popt), color='red', label="Fitted curve")plt.legend()plt.show() 在该代码中，使用了Scipy库中的curve_fit函数来拟合非线性数据。curve_fit函数中第一个参数是非线性函数，第二个参数是拟合数据的横坐标，第三个参数是拟合数据的纵坐标。 
总结以上是Python中的三种常用拟合曲线方法。简单线性回归可以拟合线性关系的数据，多项式回归可以拟合更加复杂的数据，而非线性回归则可以用来拟合非线性数据。我们可以根据实际需要选择不同的方法来拟合数据。
VSCode设置Python语言自动格式化的详细方案
Python |
