我已經使用How to apply piecewise linear fit in Python?這個問題中發現的一些代碼來執行具有單個斷點的分段線性近似。具有n個斷點的分段線性擬合
的代碼如下:
from scipy import optimize
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10 ,11, 12, 13, 14, 15], dtype=float)
y = np.array([5, 7, 9, 11, 13, 15, 28.92, 42.81, 56.7, 70.59, 84.47, 98.36, 112.25, 126.14, 140.03])
def piecewise_linear(x, x0, y0, k1, k2):
return np.piecewise(x,
[x < x0],
[lambda x:k1*x + y0-k1*x0, lambda x:k2*x + y0-k2*x0])
p , e = optimize.curve_fit(piecewise_linear, x, y)
xd = np.linspace(0, 15, 100)
plt.plot(x, y, "o")
plt.plot(xd, piecewise_linear(xd, *p))
我試圖找出如何我可以擴展處理ñ斷點。
我試着用下面的代碼來處理2斷點的piecewise_linear()方法,但它不以任何方式改變斷點的值。
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20], dtype=float)
y = np.array([5, 7, 9, 11, 13, 15, 28.92, 42.81, 56.7, 70.59, 84.47, 98.36, 112.25, 126.14, 140.03, 150, 152, 154, 156, 158])
def piecewise_linear(x, x0, x1, a1, b1, a2, b2, a3, b3):
return np.piecewise(x,
[x < x0, np.logical_and(x >= x0, x < x1), x >= x1 ],
[lambda x:a1*x + b1, lambda x:a2*x+b2, lambda x: a3*x + b3])
p , e = optimize.curve_fit(piecewise_linear, x, y)
xd = np.linspace(0, 20, 100)
plt.plot(x, y, "o")
plt.plot(xd, piecewise_linear(xd, *p))
任何投入將不勝感激
'''它不work'''是幾乎無用的描述。我也認爲你不能通過curve_fit()來實現這一點,當有多個斷點時(需要線性約束來處理b0
sascha
我認爲,如果我最初在x軸上均勻分佈斷點,那麼找到局部最小值就足以提供一個體面的非最優解。你知道另一個支持線性約束的優化模塊嗎? –
正如我告訴你的,這不僅僅是這個。忽略平滑性和潛在的非凸性,你可以用scipy的更一般的優化函數,即COBYLA和SQSLP(唯一的兩個支持約束)來解決這個問題。我看到的唯一真正的方法是混合整數凸規劃,但軟件是稀疏的(bonmin和couenne是兩個開源解決方案,不適合從python使用; pajarito @ julialang;但是這種方法通常需要一些非 - 簡單的公式)。 – sascha