锐客网

  1. 首页 > 睿知 > it技术 > >

B样条函数python b样条函数拟合matlab( 二 )

IT技术Unicodeencod


msg：str, optional
对应于整数标志ier的消息 。
下面插值一个函数
「Scipy」样条插值在数据可视化中的运用 好久没有更新文章了，学校的教材发下来了，作业一下就变多了 。
首先，把最终效果放出来：
运用样条插值，即 B-Spline ，可以使你在图表中使用曲线连接离散数据（在插值法中，这些离散数据称为 节点 ）
正如你在上面所看到的那样，在Python中插值非常简单 ，  Scipy 中的 interpolate 为你提供了样条插值所需要的一系列函数 。
import部分就不多说了 ， 
这里首先定义了一系列节点，这里数据是随机的，
接下来 ， 首先使用 linspace 为插值提供所需的x值 ，  splrep 根据节点计算了样条曲线的参数，最后将其传递给 splev 计算插值后的结果 。
你可能是抱着想要用曲线连接节点的目的来看这篇文章 ， 但看到这里还没搞懂插值法是个什么玩意，那么接下来的内容就是在讲数学中的插值法，与Python和Scipy已无关联 。
插值法，就是在给定的节点中作出合适的函数，使得这条曲线 经过每一个节点 ，这也就是为什么在数据可视化中使用插值而不是其他方法的原因 ， 因为插值后仍然能够准确知道每一节点所对应的值 。
那么 ， 是不是节点越多 ， 插值的准确性就越高呢？
貌似是这样 ， 毕竟节点越多，对曲线的限制条件就越多，那准确性不久越高了 。
但是呢，如果你使用多节点直接插值（不是在程序中插值，因为程序会使用分段样条插值），你就会发现，曲线在两段有明显的震荡，并且节点越多 ， 震荡越明显、越大：
这种现象被称为 Tolmé Runge 现象（ 龙格现象 ），描述的就是这一问题 。对此的数学证明在知乎上有，传送门。
通过龙格现象，我们会发现，当节点数量趋向于无穷时，插值的误差会趋向于无穷大：
那么，如何避免这一情况呢，可以把我们原先的等距节点替换成Chebyshev节点，但是如果我们的离散数据确实等距 ， 这一方法不好用 ， 那么就可以才用分段插值，我们的程序对龙格现象也是这样处理的 。
分段插值就是将高次多项式拆分成多个低次多项式，一般都拆分成三次多项式 。
由于插值和拟合常常一起出现，所以这里也简单提一下拟合 。
拟合是对你给出的离散数据，作出于数据 差距最小 的函数，另外，按照拟合的结果 ， 拟合也分线性拟合和非线性拟合 。
拟合与插值的差别就在于，插值必须过节点，但是拟合不需要，所以拟合曲线的整体效果会更好，也就是更平滑 。
拟合一般都用在数据分析里，因为拟合曲线更能够看出整体的变化趋势嘛 。
这篇文章写起来难度还是想当大，如果我的描述有问题的话，欢迎评论区留言 。
前往我的博客查看本文
求一个用python实现的基于deboor-cox的B样条算法#!/usr/sbin/env python
# -*- coding:utf-8 -*-
import math
# ItemCF算法
def ItemSimilarity(train):
C = dict()
N = dict()
for u,items in train.items():
for i in items.keys():
N[i] += 1
for j in items.keys():
if i == j:
continue
C[i][j] += 1
W = dict()
for i,related_items in C.items():
for j,cij in related_items.items():
W[i][j] = cij / math.sqrt( N[i] * N[j])
return W
# ItemCF-IUF算法
def ItemSimilarity_v2(train):
C = dict()
N = dict()
for u,items in train.items():
for i in items.keys():
N[i] += 1

推荐阅读


上一篇：linux命令框如何，linux怎么调出命令窗口

下一篇：aspnet导入dll文件，vs导入asp项目