python scipy學習 曲線擬合

根據某地每月的平均溫度[17, 19, 21, 28, 33, 38, 37, 37, 31, 23, 19, 18]擬合溫度函式。

import numpy as np

import matplotlib.pyplot as plt
from scipy import optimize

因為溫度是以年為單位的

可以看出溫度是以週期為12的正弦函式

構建函式y=a*sin(x*pi/6+b)+c

使用optimize.curve_fit函式求出a、b、c的值

x=np.arange(1,13,1)

x1=np.arange(1,13,0.1)
ymax=np.array([17, 19, 21, 28, 33, 38, 37, 37, 31, 23, 19, 18])
deffmax(x,a,b,c):
return a*np.sin(x*np.pi/6+b)+c
fita,fitb=optimize.curve_fit(fmax,x,ymax,[1,1,1])
print
(fita)
plt.plot(x,ymax)
plt.plot(x1,fmax(x1,fita[0],fata[1],fita[2]))
plt.show()

以上為擬合曲線

VIM學習曲線 a

這裡記錄下自己在學習vim過程中的一些坎坷和總結吧！後面補充 今天看到不少同學收藏，看樣子還是有很多人和我一樣的初級學習菜鳥，哈哈，這裡再次申明，文章主要內容是從鏈結的原文作者 拷貝出的，其中自己有小的修改，另外，我會參考其他文章，將常用的一些東西都加入進來，後期會慢慢更新，其中一些說的不清楚的地方...

學習曲線learning curve

學習曲線是橫座標為訓練樣本數量，橫座標為誤差。畫的有兩條曲線，一條是訓練集誤差，一條是交叉驗證的誤差。學習曲線可以反應兩種情況，一種是高偏差，一種是高方差。高方差 過擬合，擬合效果過好，但是泛化效果差，無法泛化新的資料 高誤差 欠擬合，擬合程度太差，誤差太大。反應在學習曲線上就是 高偏差 訓練集誤差...

Python KNN 學習曲線

學習曲線的目的是選擇更好的模型引數。以最近鄰演算法為例，選取最近的多少個資料點，才能達到最優。可以控制訓練集不動，調整最近的點的個數，繪製學習曲線。import matplotlib.pyplot as plt score krange range 1,21 k值取值範圍 for i in kran...