บทนำ
ในการหาค่าประมาณเชิงพยายามน้อยที่สุด (Least squares fit) ของอนุกรม Laguerre กับข้อมูล สามารถใช้เมธอด laguerre.lagfit() จาก NumPy เมธอดนี้คืนค่าสัมประสิทธิ์ Laguerre เรียงจากต่ำไปสูง หาก y เป็น 2 มิติ สัมประสิทธิ์ของข้อมูลในคอลัมน์ k จะอยู่ในคอลัมน์ k
พารามิเตอร์สำคัญ
- x: พิกัด x ของจุดข้อมูล M จุด
- y: พิกัด y ของจุดข้อมูล
- deg: องศาของพหุนามที่ใช้擬合
- rcond: เงื่อนไขสัมพัทธ์ของการ fit
- full: สลับการคืนค่า ข้อมูลวินิจฉัยเพิ่มเติม
- w: น้ำหนักของข้อมูล
ขั้นตอนการทำงาน
1. นำเข้าไลบรารี
import numpy as np from numpy.polynomial import laguerre as L
2. สร้างพิกัด x
x = np.linspace(-1, 1, 51)
3. สร้างพิกัด y พร้อม雜訊
y = x**3 - x + np.random.randn(len(x))
4. หา Least squares fit
c, stats = L.lagfit(x, y, 3, full=True)
print("\nResult...\n", c)
print("\nResult...\n", stats)
ตัวอย่างโค้ดสมบูรณ์
import numpy as np
from numpy.polynomial import laguerre as L
# พิกัด x
x = np.linspace(-1, 1, 51)
print("X Co-ordinate...\n", x)
# พิกัด y
y = x**3 - x + np.random.randn(len(x))
print("\nY Co-ordinate...\n", y)
# หา Least squares fit
c, stats = L.lagfit(x, y, 3, full=True)
print("\nResult...\n", c)
print("\nResult...\n", stats)
ผลลัพธ์ตัวอย่าง (สุ่ม)
X Co-ordinate... [-1. -0.96 -0.92 ... 0.96 1.] Y Co-ordinate... [ 2.60011413 0.59715605 ... 1.10442549] Result... [ 11.2805293 -36.35804353 36.47911284 -11.65554029] Result... [array([43.46828156]), 4, array([1.88377481, 0.66402594, 0.10220349, 0.00405509]), 1.1324274851176597e-14]
