เมธอด hermite.hermfit() หา係ณอนุกรมเฮอร์ไมท์ที่เหมาะสมที่สุดกับข้อมูลตัวอย่าง (x, y) โดยวิธี Least squares
พารามิเตอร์สำคัญ:
x, y: พิกัดข้อมูลตัวอย่างdeg: ดีกรีของพหุนามที่ปรับให้เหมาะสมrcond: เงื่อนไขสัมพัทธ์ของการปรับfull: หาก True จะคืนค่าข้อมูลวินิจฉัยเพิ่มเติมw: น้ำหนักของแต่ละจุดข้อมูล
ขั้นตอน
import numpy as np
from numpy.polynomial import hermite as H
x = np.linspace(-1, 1, 51)
y = x**3 - x + np.random.randn(len(x))
c, stats = H.hermfit(x, y, 3, full=True)
print("X Co-ordinate...\n", x)
print("\nY Co-ordinate...\n", y)
print("\nResult...\n", c)
print("\nResult...\n", stats)
ตัวอย่างโค้ดสมบูรณ์
import numpy as np
from numpy.polynomial import hermite as H
x = np.linspace(-1, 1, 51)
y = x**3 - x + np.random.randn(len(x))
c, stats = H.hermfit(x, y, 3, full=True)
print("X Co-ordinate...\n", x)
print("\nY Co-ordinate...\n", y)
print("\nResult...\n", c)
print("\nResult...\n", stats)
ผลลัพธ์
ผลลัพธ์จะเปลี่ยนแปลงไปตามข้อมูลสุ่ม (ดูรายละเอียดในโค้ดต้นฉบับ)
