Pythonで指数および対数曲線フィッティングを行う方法は?多項式フィッティングのみが見つかりました


157

データのセットがあり、どのラインがそれを最もよく表しているかを比較したい(異なる次数の多項式、指数または対数)。

私はPythonとNumpyを使用しており、多項式フィッティングには関数がありますpolyfit()。しかし、指数関数的および対数的フィッティングのためのそのような関数は見つかりませんでした。

いずれかがあります?またはそれ以外の場合の解決方法は?

回答:


222

フィッティングのためにYを = A + Bログはxは、ちょうどフィットY(ログに対してXが)。

>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> numpy.polyfit(numpy.log(x), y, 1)
array([ 8.46295607,  6.61867463])
# y ≈ 8.46 log(x) + 6.62

y = Ae Bxをフィッティングするには、両側の対数を取るとlog y = log A + Bxになります。したがって、xに対して(log y)を近似します。

(log y)が線形であるかのようにフィッティングすると、yの小さな値が強調され、大きなyに対して大きな偏差が生じることに注意してください。これはれるpolyfit(線形回帰)がΣ最小化することによって動作し、I(Δ Y2IY I - Y ^ I2。ときY I =ログyの私は、残基Δ Y 私は Δ=(ログをY I)≈Δ yのI / | y i |。だからpolyfit大きいyに対して非常に悪い決定をします、 "divide-by- | y |" 係数はそれを補正し、polyfit小さい値を優先します。

これは、各エントリにyに比例する「重み」を与えることで軽減できます。キーワード引数をpolyfit介して加重最小二乗をサポートしwます。

>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> numpy.polyfit(x, numpy.log(y), 1)
array([ 0.10502711, -0.40116352])
#    y ≈ exp(-0.401) * exp(0.105 * x) = 0.670 * exp(0.105 * x)
# (^ biased towards small values)
>>> numpy.polyfit(x, numpy.log(y), 1, w=numpy.sqrt(y))
array([ 0.06009446,  1.41648096])
#    y ≈ exp(1.42) * exp(0.0601 * x) = 4.12 * exp(0.0601 * x)
# (^ not so biased)

Excel、LibreOffice、およびほとんどの関数電卓は、通常、指数回帰/傾向線に重み付けされていない(偏った)式を使用します。結果にこれらのプラットフォームとの互換性を持たせたい場合は、より良い結果が得られても、重みを含めないでください。


これで、scipyを使用できる場合は、scipy.optimize.curve_fit変換なしで任意のモデルに適合させることができます。

ため、Y = A + Bログは、xは結果が変換方法と同様です。

>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> scipy.optimize.curve_fit(lambda t,a,b: a+b*numpy.log(t),  x,  y)
(array([ 6.61867467,  8.46295606]), 
 array([[ 28.15948002,  -7.89609542],
        [ -7.89609542,   2.9857172 ]]))
# y ≈ 6.62 + 8.46 log(x)

yは = AeのBxとし、それはΔ(ログを計算するので、しかし、私たちはより良いフィット感を得ることができ、Yを直接)。ただしcurve_fit、目的のローカルミニマムに到達できるように、初期化の推測を提供する必要があります。

>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t),  x,  y)
(array([  5.60728326e-21,   9.99993501e-01]),
 array([[  4.14809412e-27,  -1.45078961e-08],
        [ -1.45078961e-08,   5.07411462e+10]]))
# oops, definitely wrong.
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t),  x,  y,  p0=(4, 0.1))
(array([ 4.88003249,  0.05531256]),
 array([[  1.01261314e+01,  -4.31940132e-02],
        [ -4.31940132e-02,   1.91188656e-04]]))
# y ≈ 4.88 exp(0.0553 x). much better.

指数回帰の比較


2
@トーマス:そうだね。logの底を変更すると、定数がlog xまたはlog yに乗算されるだけで、r ^ 2には影響しません。
kennytm 2010

4
これにより、yが小さい値のウェイトが大きくなります。したがって、カイ二乗値への寄与をy_iで重み付けする方がよい
Rupert Nash

17
このソリューションは、カーブフィッティングの従来の意味で間違っています。線形空間ではなく、対数空間での残差の合計二乗を最小化しません。前に述べたように、これはポイントの重み付けを効果的に変更します- y小さい観測値は人工的にオーバーウェイトされます。関数(対数変換ではなく線形)を定義し、カーブフィッターまたはミニマイザーを使用することをお勧めします。
サントン

3
@santon指数回帰のバイアスに対処しました。
kennytm

2
重さを追加していただきありがとうございます!多くの/ほとんどの人は、ログ(データ)を取得してそれを介して(Excelのように)行を実行しようとすると、コミカルに悪い結果が得られることを知らない 私が何年もやってきたように。ベイジアンの先生が教えてくれたとき、私は「しかし、彼らは物理学で(間違った)方法を教えてくれませんか?」のようでした。-「ええ、私たちはそれを「赤ちゃんの物理学」と呼んでいます、それは単純化です。これはそれを行う正しい方法です。」
DeusXMachina 2017年

102

また、データのセットをcurve_fitfrom を使用して任意の関数に適合させることもできますscipy.optimize。たとえば、(ドキュメンテーションの)指数関数を近似したい場合:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def func(x, a, b, c):
    return a * np.exp(-b * x) + c

x = np.linspace(0,4,50)
y = func(x, 2.5, 1.3, 0.5)
yn = y + 0.2*np.random.normal(size=len(x))

popt, pcov = curve_fit(func, x, yn)

そして、あなたがプロットしたいなら、あなたはそうすることができます:

plt.figure()
plt.plot(x, yn, 'ko', label="Original Noised Data")
plt.plot(x, func(x, *popt), 'r-', label="Fitted Curve")
plt.legend()
plt.show()

(注:*のフロントpoptあなたのプロットはに用語を拡大するときabおよびcそれをfunc期待しています。)


2
いいね。私たちがどの程度フィットしたかを確認する方法はありますか?R-2乗値?より良い(またはより速い)ソリューションを得るために試すことができるさまざまな最適化アルゴリズムパラメーターはありますか?
user391339 2016年

適合度を高めるために、適合した最適化パラメーターをscipy最適化関数chisquareに投入できます。2つの値を返します。2番目の値はp値です。

任意のパラメータを選択する方法についてのアイデアabc
I_told_you_so

47

私はこれでいくつかの問題を抱えていたので、私のような初心者が理解できるように、非常に明確にしてください。

データファイルなどがあるとしましょう

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import numpy as np
import sympy as sym

"""
Generate some data, let's imagine that you already have this. 
"""
x = np.linspace(0, 3, 50)
y = np.exp(x)

"""
Plot your data
"""
plt.plot(x, y, 'ro',label="Original Data")

"""
brutal force to avoid errors
"""    
x = np.array(x, dtype=float) #transform your data in a numpy array of floats 
y = np.array(y, dtype=float) #so the curve_fit can work

"""
create a function to fit with your data. a, b, c and d are the coefficients
that curve_fit will calculate for you. 
In this part you need to guess and/or use mathematical knowledge to find
a function that resembles your data
"""
def func(x, a, b, c, d):
    return a*x**3 + b*x**2 +c*x + d

"""
make the curve_fit
"""
popt, pcov = curve_fit(func, x, y)

"""
The result is:
popt[0] = a , popt[1] = b, popt[2] = c and popt[3] = d of the function,
so f(x) = popt[0]*x**3 + popt[1]*x**2 + popt[2]*x + popt[3].
"""
print "a = %s , b = %s, c = %s, d = %s" % (popt[0], popt[1], popt[2], popt[3])

"""
Use sympy to generate the latex sintax of the function
"""
xs = sym.Symbol('\lambda')    
tex = sym.latex(func(xs,*popt)).replace('$', '')
plt.title(r'$f(\lambda)= %s$' %(tex),fontsize=16)

"""
Print the coefficients and plot the funcion.
"""

plt.plot(x, func(x, *popt), label="Fitted Curve") #same as line above \/
#plt.plot(x, popt[0]*x**3 + popt[1]*x**2 + popt[2]*x + popt[3], label="Fitted Curve") 

plt.legend(loc='upper left')
plt.show()

結果は次のとおりです:a = 0.849195983017、b = -1.18101681765、c = 2.24061176543、d = 0.816643894816

生データと適合関数


8
y = [np.exp(i) for i in x]非常に遅いです。numpyが作成された理由の1つは、あなたが書けるようにするためy=np.exp(x)でした。また、その交換で、残忍な力のセクションを取り除くことができます。ipythonには、そこ%timeitから魔法がある In [27]: %timeit ylist=[exp(i) for i in x] 10000 loops, best of 3: 172 us per loop In [28]: %timeit yarr=exp(x) 100000 loops, best of 3: 2.85 us per loop
esmit

1
esmitありがとう、正しいですが、csv、xls、またはこのアルゴリズムを使用して直面した他の形式からのデータを処理しているときにまだ使用する必要がある残忍な力の部分。誰かが実験またはシミュレーションデータから関数を適合させようとしているときにのみ、それを使用することは意味があると私は思います。私の経験では、このデータは常に奇妙な形式になります。
Leandro

3
x = np.array(x, dtype=float)遅いリストの理解を取り除くことができるはずです。
Ajasja 14年

8

まあ、私はあなたがいつでも使用できると思います:

np.log   -->  natural log
np.log10 -->  base 10
np.log2  -->  base 2

IanVSの答えを少し変更する:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def func(x, a, b, c):
  #return a * np.exp(-b * x) + c
  return a * np.log(b * x) + c

x = np.linspace(1,5,50)   # changed boundary conditions to avoid division by 0
y = func(x, 2.5, 1.3, 0.5)
yn = y + 0.2*np.random.normal(size=len(x))

popt, pcov = curve_fit(func, x, yn)

plt.figure()
plt.plot(x, yn, 'ko', label="Original Noised Data")
plt.plot(x, func(x, *popt), 'r-', label="Fitted Curve")
plt.legend()
plt.show()

この結果、次のグラフが表示されます。

ここに画像の説明を入力してください


近似が近似する飽和値はありますか?もしそうなら、どうやってそれにアクセスできますか?
Ben

7

scikit learnのツールを使用する単純なデータの線形化オプションを次に示します。

与えられた

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import FunctionTransformer


np.random.seed(123)

# General Functions
def func_exp(x, a, b, c):
    """Return values from a general exponential function."""
    return a * np.exp(b * x) + c


def func_log(x, a, b, c):
    """Return values from a general log function."""
    return a * np.log(b * x) + c


# Helper
def generate_data(func, *args, jitter=0):
    """Return a tuple of arrays with random data along a general function."""
    xs = np.linspace(1, 5, 50)
    ys = func(xs, *args)
    noise = jitter * np.random.normal(size=len(xs)) + jitter
    xs = xs.reshape(-1, 1)                                  # xs[:, np.newaxis]
    ys = (ys + noise).reshape(-1, 1)
    return xs, ys
transformer = FunctionTransformer(np.log, validate=True)

コード

指数データに合わせる

# Data
x_samp, y_samp = generate_data(func_exp, 2.5, 1.2, 0.7, jitter=3)
y_trans = transformer.fit_transform(y_samp)             # 1

# Regression
regressor = LinearRegression()
results = regressor.fit(x_samp, y_trans)                # 2
model = results.predict
y_fit = model(x_samp)

# Visualization
plt.scatter(x_samp, y_samp)
plt.plot(x_samp, np.exp(y_fit), "k--", label="Fit")     # 3
plt.title("Exponential Fit")

ここに画像の説明を入力してください

ログデータの適合

# Data
x_samp, y_samp = generate_data(func_log, 2.5, 1.2, 0.7, jitter=0.15)
x_trans = transformer.fit_transform(x_samp)             # 1

# Regression
regressor = LinearRegression()
results = regressor.fit(x_trans, y_samp)                # 2
model = results.predict
y_fit = model(x_trans)

# Visualization
plt.scatter(x_samp, y_samp)
plt.plot(x_samp, y_fit, "k--", label="Fit")             # 3
plt.title("Logarithmic Fit")

ここに画像の説明を入力してください


細部

一般的な手順

  1. ログデータ値への操作(適用xyまたは両方)
  2. データを線形化モデルに回帰する
  3. ログ操作(を使用np.exp())を「逆転」してプロットし、元のデータにフィット

我々のデータと仮定すると指数トレンドを、以下の、一般式+があることがあります。

ここに画像の説明を入力してください

対数を取ることにより、後者の方程式(たとえば、y =切片+勾配* x)を線形化できます

ここに画像の説明を入力してください

線形化された方程式++と回帰パラメーターが与えられると、次のように計算できます。

  • Aインターセプト経由(ln(A)
  • Bスロープ経由(B

線形化手法のまとめ

Relationship |  Example   |     General Eqn.     |  Altered Var.  |        Linearized Eqn.  
-------------|------------|----------------------|----------------|------------------------------------------
Linear       | x          | y =     B * x    + C | -              |        y =   C    + B * x
Logarithmic  | log(x)     | y = A * log(B*x) + C | log(x)         |        y =   C    + A * (log(B) + log(x))
Exponential  | 2**x, e**x | y = A * exp(B*x) + C | log(y)         | log(y-C) = log(A) + B * x
Power        | x**2       | y =     B * x**N + C | log(x), log(y) | log(y-C) = log(B) + N * log(x)

+注:指数関数の線形化は、ノイズが小さく、C = 0の場合に最適に機能します。注意して使用してください。

++注:xデータの変更は指数データの線形化に役立ちますが、yデータの変更はログデータの線形化に役立ちます


0

lmfit両方の問題を解決しながらの機能を示します。

与えられた

import lmfit

import numpy as np

import matplotlib.pyplot as plt


%matplotlib inline
np.random.seed(123)

# General Functions
def func_log(x, a, b, c):
    """Return values from a general log function."""
    return a * np.log(b * x) + c


# Data
x_samp = np.linspace(1, 5, 50)
_noise = np.random.normal(size=len(x_samp), scale=0.06)
y_samp = 2.5 * np.exp(1.2 * x_samp) + 0.7 + _noise
y_samp2 = 2.5 * np.log(1.2 * x_samp) + 0.7 + _noise

コード

アプローチ1- lmfitモデル

指数データに合わせる

regressor = lmfit.models.ExponentialModel()                # 1    
initial_guess = dict(amplitude=1, decay=-1)                # 2
results = regressor.fit(y_samp, x=x_samp, **initial_guess)
y_fit = results.best_fit    

plt.plot(x_samp, y_samp, "o", label="Data")
plt.plot(x_samp, y_fit, "k--", label="Fit")
plt.legend()

ここに画像の説明を入力してください

アプローチ2-カスタムモデル

ログデータの適合

regressor = lmfit.Model(func_log)                          # 1
initial_guess = dict(a=1, b=.1, c=.1)                      # 2
results = regressor.fit(y_samp2, x=x_samp, **initial_guess)
y_fit = results.best_fit

plt.plot(x_samp, y_samp2, "o", label="Data")
plt.plot(x_samp, y_fit, "k--", label="Fit")
plt.legend()

ここに画像の説明を入力してください


細部

  1. 回帰クラスを選択する
  2. 関数のドメインを尊重する名前付きの初期推測を提供する

推論されたパラメーターは、リグレッサオブジェクトから決定できます。例:

regressor.param_names
# ['decay', 'amplitude']

注:ExponentialModel()以下は、2つのパラメーターを受け入れる減衰関数の 1つです。

ここに画像の説明を入力してください

より多くのパラメーターExponentialGaussianModel()を受け入れるも参照してください。

介してライブラリをインストールします> pip install lmfit


0

Wolframは指数関数フィッティングするための閉じた形のソリューションを持っています。また、対数およびべき乗則をフィッティングするための同様のソリューションがあります。

これはscipyのcurve_fitよりもうまく機能することがわかりました。次に例を示します。

import numpy as np
import matplotlib.pyplot as plt

# Fit the function y = A * exp(B * x) to the data
# returns (A, B)
# From: https://mathworld.wolfram.com/LeastSquaresFittingExponential.html
def fit_exp(xs, ys):
    S_x2_y = 0.0
    S_y_lny = 0.0
    S_x_y = 0.0
    S_x_y_lny = 0.0
    S_y = 0.0
    for (x,y) in zip(xs, ys):
        S_x2_y += x * x * y
        S_y_lny += y * np.log(y)
        S_x_y += x * y
        S_x_y_lny += x * y * np.log(y)
        S_y += y
    #end
    a = (S_x2_y * S_y_lny - S_x_y * S_x_y_lny) / (S_y * S_x2_y - S_x_y * S_x_y)
    b = (S_y * S_x_y_lny - S_x_y * S_y_lny) / (S_y * S_x2_y - S_x_y * S_x_y)
    return (np.exp(a), b)


xs = [33, 34, 35, 36, 37, 38, 39, 40, 41, 42]
ys = [3187, 3545, 4045, 4447, 4872, 5660, 5983, 6254, 6681, 7206]

(A, B) = fit_exp(xs, ys)

plt.figure()
plt.plot(xs, ys, 'o-', label='Raw Data')
plt.plot(xs, [A * np.exp(B *x) for x in xs], 'o-', label='Fit')

plt.title('Exponential Fit Test')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend(loc='best')
plt.tight_layout()
plt.show()

ここに画像の説明を入力してください

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.