问题描述
我必须计算指数回归曲线,因此我按照网上找到的说明编写了这段代码。 问题是,对于某些数据集,我从指数回归中得到的结果与我在Wolfram上获得的结果非常接近(因此我认为是正确的),对于其他数据集,我的解决方案完全是胡说八道,例如r ^ 2等于1.35E125,打印出``y预测''后,我意识到这些值是非常高的值,回归无法正确进行。
通过从这个site进行指数回归,我得到的r ^ 2值与通过其他类型的回归得到的值相近,因此我假设该站点返回我的解是正确的
为什么我的不能正常工作?
这是我的代码:
def func_exp(x,a,b,c):
return a * numpy.exp(b * x)
def compute(dataset,type):
x = dataframe.iloc[:,0].values
y = dataframe.iloc[:,1].values
result = {}
...
elif type=="exponential":
popt,pcov = curve_fit(func_exp,x,y)
print(popt)
#already here the coefficients I get I think are wrong,I get:
# a = 6.46670314e-18 ; b = 9.99999998e-01 ; c = 1.00000000e+00
#but on the site I entered above I get a = 9.365021685; b=1.049973813*10^(-2)
coeff = []
coeff.append(round(float(popt[0]),4))
coeff.append(round(float(popt[1]),4))
result["coeff"] = coeff
yhat = func_exp(x,*popt) # or [p(z) for z in x]
ybar = numpy.sum(y) / len(y) # or sum(y)/len(y)
ssreg = numpy.sum((yhat - ybar) ** 2) # or sum([ (yihat - ybar)**2 for yihat in yhat])
sstot = numpy.sum((y - ybar) ** 2) # or sum([ (yi - ybar)**2 for yi in y])
minX = numpy.ndarray.min(x)
maxX = numpy.ndarray.max(x)
print(maxX)
#if len(x) is low the regression curve is a set of segments,so i introduce varX
varX = numpy.linspace(start=minX,stop=maxX,num=max(100,numpy.size(x)))
print(x)
plt.plot(x,y,'o')
xName = columnsName[0]
yName = columnsName[1]
plt.xlabel(xName)
plt.ylabel(yName)
for i in range(0,len(varX)):
print(varX[i],func_exp(varX,*popt)[i]) #print for y predicted
plt.plot(varX,*popt),label="fit: {:.3f},{:.3f},{:.3f}".format(*popt))
plt.show()
result['r2'] = float(ssreg / sstot)
我在github页面上上传了我正在使用的数据集,这是link,因为您可以看到它是我在网上找到的一个简单的身高体重csv。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)