Python 将多项式拟合到 3d 数据

Question

有一组数据点 (x,y,z)，并尝试使用 scipy optimize.curve_fit 将通用二次方程拟合到它们。

我尝试了几种不同的方法，但似乎无法奏效。关于为什么我会收到此错误或推荐的不同方法的任何指导？

错误是"ValueError: operands could not be broadcast together with shapes (2,) (12,)"


import scipy.optimize as optimize

XY = [(11, 70), (11, 75), (11, 80), (11, 85), (12, 70), (12, 75), (12, 80), (12, 85), (13, 70), (13, 75), (13, 80), (13, 85)]

Z = [203.84, 208, 218.4, 235.872, 228.30080000000004, 232.96000000000004, 244.60800000000006, 264.1766400000001, 254.8, 260, 273, 294.84000000000003]

guess = (1,1,1,1,1,1)

def fit(X, a, b, c, d, f, g):
    return a + (b*X[0])+(c*X[1])+(d*X[0]**2)+(f*X[1]**2)+(g*X[0]*X[1])

params, cov = optimize.curve_fit(fit, XY, Z, guess)

Answer 1

根据 docs，您需要 XY 大小为 (k,M)，其中 k 是维度，M 是样本数。在您的情况下，您已将 XY 定义为大小 (M,k).

尝试以下方法

import numpy as np

...

params, cov = optimize.curve_fit(fit, np.transpose(XY), Z, guess)

Python 将多项式拟合到 3d 数据

Python Fit Polynomial to 3d Data

python

scipy

data-fitting