标签: data-fitting

我有一个比较容易理解的问题。

我有一组数据，我想估计这些数据对标准正态分布的拟合程度。为此，我从我的代码开始：

[f_p,m_p] = hist(data,128);
f_p = f_p/trapz(m_p,f_p);

x_th = min(data):.001:max(data);
y_th = normpdf(x_th,0,1);   

figure(1)
bar(m_p,f_p)
hold on
plot(x_th,y_th,'r','LineWidth',2.5)
grid on
hold off

图 1 将如下所示：

很容易看出，合身性很差，虽然可以发现钟形。因此，主要问题在于我的数据的差异。

为了找出我的数据箱应该拥有的正确出现次数，我这样做：

f_p_th = interp1(x_th,y_th,m_p,'spline','extrap');
figure(2)
bar(m_p,f_p_th)
hold on
plot(x_th,y_th,'r','LineWidth',2.5)
grid on
hold off

这将导致下图。：

因此，问题是：如何缩放我的数据块以匹配图 2中的高斯分布？

警告

我想强调的一点聚焦：我不想要找到的最好的分布拟合的数据; 该问题被逆转：从我的数据开始，我想操纵它以这样的方式，在年底，其分布合理符合高斯之一。

不幸的是，目前，我对如何执行这些数据“过滤”、“转换”或“操作”没有真正的想法。

欢迎任何支持。

我正在尝试将多元正态分布拟合到我收集的数据中，以便从中取样。我知道如何使用fitdist函数（带有'Normal'选项）拟合（单变量）正态分布。

我怎样才能对多元正态分布做类似的事情？

是否fitdist在每个维度上单独使用假设变量不相关？

我想知道我的数据点的分布,所以首先我绘制了我的数据的直方图.我的直方图如下所示:

其次,为了使它们适合分布,这里是我写的代码:

size = 20000
x = scipy.arange(size)
# fit
param = scipy.stats.gamma.fit(y)
pdf_fitted = scipy.stats.gamma.pdf(x, *param[:-2], loc = param[-2], scale = param[-1]) * size
plt.plot(pdf_fitted, color = 'r')

# plot the histogram
plt.hist(y)

plt.xlim(0, 0.3)
plt.show()

结果是:

我究竟做错了什么？

我有一个2D点（x，y），并且我想使用此帖子拟合椭圆

给定点xi =（xi，yi），在Python中拟合椭圆

但是我的结果是axes = [ 0.93209407 nan]因为函数中ellipse_axis_length的down2是负数，所以res2无效，该怎么办？如果要根据数据集绘制椭圆，并计算数据点和椭圆之间的误差，该怎么办？

和代码是这样的：

import numpy as np
import numpy.linalg as linalg
import matplotlib.pyplot as plt

def fitEllipse(x,y):
    x = x[:,np.newaxis]
    y = y[:,np.newaxis]
    D =  np.hstack((x*x, x*y, y*y, x, y, np.ones_like(x)))
    S = np.dot(D.T,D)
    C = np.zeros([6,6])
    C[0,2] = C[2,0] = 2; C[1,1] = -1
    E, V =  linalg.eig(np.dot(linalg.inv(S), C))
    n =  np.argmax(np.abs(E))
    a = V[:,n]
    return a

def ellipse_center(a):
    b,c,d,f,g,a = a[1]/2, a[2], a[3]/2, a[4]/2, a[5], a[0] …

有没有办法将我的数据集的不确定性纳入 Savitzky Golay 拟合的结果中？由于我没有将此信息传递到函数中，因此我认为它只是通过未加权的最小二乘过程来计算“最佳拟合”。我目前正在处理具有非均匀不确定性的数据，因此可以通过包含主数据集的错误来改进数据的拟合度。

Savitzky-Golay 滤波器的维基百科页面建议我如何改变计算拟合系数的过程，我正在盯着 的代码scipy.signal.savgol_filter，但我无法理解我需要调整的内容，以便这会做我想做的事。

是否有现成的加权 SG 滤波器漂浮？我很难相信没有人曾经需要过这个 Python 工具，但也许我错过了一些东西。

我有一组数据点，它们看起来有点像一条在开头附近带有曲线的线。请参阅下图，其中显示了具有最佳拟合线（适合整个数据集）的点。

相反，它们可以用两个线性函数来描述（一条穿过最左边的一组点的线和一条穿过其余数据点的单独的线）。这些点实际上对应的是中子衰变，其中包含两种不同的同位素。

我不知道哪些点对应于哪种同位素，所以我需要以某种方式做出最好的猜测。一种同位素的曲线将是一条直线，而另一种同位素的曲线将是不同的直线。如何将两条不同的最佳拟合线（线性）拟合到数据点集，以便优化两者的拟合？

我的一个想法是选择一个“截止点”，例如在t=100（x 轴）处，并将左侧的点拟合为一条线，将右侧的点拟合为另一条线。然后我可以计算两条线的 chi^2 以获得拟合的“优点”。然后，我可以继续用略有不同的截止点多次做同样的事情，直到我找到提供最佳整体拟合的那对线。

另一个似乎更复杂的想法是将这些数据点描述为两条线的组合y= m1*t + m2*t + b1 + b2，其中ms 是斜率，bs 是 y 截距。然后，取总曲线的导数，我会有dy/dt = m1+m2. 然后也许我可以循环通过不同的“截止点”，并拟合线，直到我得到一个组合，其中导数最接近m1+m2. 但我不确定如何做到这一点，因为我最初没有使用一条曲线，只是一堆离散数据点。

在 Python 中优化两个拟合的最佳方法是什么？

我有几个数据集，它们分别非常适合 vonMises 分布。我正在寻找一种适合所有共享mu但不同的方式kappas，而不关心垃圾箱的选择。

当人们只想拟合一种模型时，这是非常简单的：scipy 这里与原始数据进行拟合。symfit但我一直在使用orlmfit或 在一些帖子（此处和此处）中寻找全局拟合，并且在所有情况下我们都必须指定 x 坐标和 y 坐标，这意味着之前必须为分布选择一些 bin 大小。

这是仅针对两个数据集的一些人工数据，尽管可以使用scipy. （请注意，我不需要关心垃圾箱的选举）。

import numpy as np
import scipy.stats as st
import matplotlib.pyplot as plt

# creating the data
mu1, mu2 = .05, -.05
sigma1, sigma2 = 3.1, 2.9
n1, n2 = 8000, 9000
y1 = np.random.vonmises(mu1, sigma1, n1)
y2 = np.random.vonmises(mu2, sigma2, n2)

# fitting
dist = st.vonmises
*args1, loc1, scale1 = …

我花了一些时间，但我使用下面的代码为我自己创建了适合我的 x,y 数据集的高斯拟合。

import matplotlib.pyplot as plt
import numpy as np
from scipy.optimize import curve_fit
def Gauss(x, a, x0, sigma, offset):
    return a * np.exp(-(x - x0)**2 / (2 * sigma**2)) + offset
x, y = np.random.random(100), np.random.random(100)
popt, pcov = curve_fit(Gauss, x, y, p0=[np.max(y), np.median(x), np.std(x), np.min(y)])
plt.plot(x, y, 'b+:', label='data')
x_fit = np.linspace(np.min(x), np.max(x), 1000)
plt.plot(x_fit, Gauss(x_fit, *popt), 'r-', label='fit')
plt.legend()
plt.title('Something')
plt.xlabel('Anotherthing')
plt.ylabel('Athing')
plt.show()

我可以看到我的拟合效果很好，并且可以看到图表和所有内容。

我现在想知道的是如何在屏幕上打印出该拟合的结果，例如拟合最大点上 x 的最大值、估计误差等？

这些信息可以访问吗？如果是这样，有没有办法打印出这些信息？如果没有，有人可以指出我找到拟合误差的正确方向吗？

我有一个嘈杂的信号和一个模型函数，例如：

x=linspace(0,20);
w=[2 6 -4 5];
y=w(1)*besselj(0,x)+w(2)*besselj(1,x)+w(3)*besselj(2,x)+w(4)*besselj(3,x);
y(randi(length(y),[1 10]))=10*rand(1,10)-5;
plot(x,y,'x')

我想使用 RANSACw在我的模型中找到，因为这种方法在查找线时对噪声具有鲁棒性。然而，这不是一个线性问题，我无法得到合适的拟合，可能是因为我试图拟合的函数的振荡性质。

我看到 matlab 有一个 fitPolynomialRansac 函数，但即使对于一个a+b*x+c*x^2+d*x^3简单的情况（-1 和 1 之间），这也失败了。

任何想法如何驯服RANSAC？或不同的鲁棒噪声方法？

我决定试一试seaborn 0.11.0 版！据我所知，使用将替换 distplot 的 displot 函数。我只是想弄清楚如何将高斯拟合绘制到直方图上。这是一些示例代码。

import seaborn as sns
import numpy as np
x = np.random.normal(size=500) * 0.1

使用 distplot 我可以做到：

sns.distplot(x, kde=False, fit=norm)

但是如何在 displot 或 histplot 中进行呢？