Per inserire y = A + B log x , basta inserire y contro (log x ).
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> numpy.polyfit(numpy.log(x), y, 1)
array([ 8.46295607, 6.61867463])
# y ≈ 8.46 log(x) + 6.62
Per il montaggio di y = Ae Bx , prendi il logaritmo di entrambi i lati per dare il log y = log A + Bx . Quindi adatta (registra y ) contro x .
Si noti che l'adattamento (log y ) come se fosse lineare enfatizzerà i valori piccoli di y , causando una grande deviazione per y grande . Questo perché polyfit
(regressione lineare) funziona minimizzando ∑ i (Δ Y ) 2 = ∑ i ( Y i - Ŷ i ) 2 . Quando Y i = log y i , i residui Δ Y i = Δ (log y i ) ≈ Δ y i / | y i |. Quindi anche sepolyfit
prende una pessima decisione per il grande y , il "divide-by- | y |" fattore compenserà, causando polyfit
favori piccoli valori.
Ciò potrebbe essere alleviato dando ad ogni voce un "peso" proporzionale a y . polyfit
supporta i minimi quadrati ponderati tramite l' w
argomento della parola chiave.
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> numpy.polyfit(x, numpy.log(y), 1)
array([ 0.10502711, -0.40116352])
# y ≈ exp(-0.401) * exp(0.105 * x) = 0.670 * exp(0.105 * x)
# (^ biased towards small values)
>>> numpy.polyfit(x, numpy.log(y), 1, w=numpy.sqrt(y))
array([ 0.06009446, 1.41648096])
# y ≈ exp(1.42) * exp(0.0601 * x) = 4.12 * exp(0.0601 * x)
# (^ not so biased)
Si noti che Excel, LibreOffice e la maggior parte dei calcolatori scientifici utilizzano in genere la formula non ponderata (distorta) per le linee di regressione / tendenza esponenziali. Se vuoi che i tuoi risultati siano compatibili con queste piattaforme, non includere i pesi anche se fornisce risultati migliori.
Ora, se puoi usare scipy, puoi scipy.optimize.curve_fit
adattarlo a qualsiasi modello senza trasformazioni.
Per y = A + B log x il risultato è lo stesso del metodo di trasformazione:
>>> x = numpy.array([1, 7, 20, 50, 79])
>>> y = numpy.array([10, 19, 30, 35, 51])
>>> scipy.optimize.curve_fit(lambda t,a,b: a+b*numpy.log(t), x, y)
(array([ 6.61867467, 8.46295606]),
array([[ 28.15948002, -7.89609542],
[ -7.89609542, 2.9857172 ]]))
# y ≈ 6.62 + 8.46 log(x)
Per y = Ae Bx , tuttavia, possiamo ottenere un adattamento migliore poiché calcola direttamente Δ (log y ). Ma dobbiamo fornire un'ipotesi di inizializzazione in modo da curve_fit
poter raggiungere il minimo locale desiderato.
>>> x = numpy.array([10, 19, 30, 35, 51])
>>> y = numpy.array([1, 7, 20, 50, 79])
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y)
(array([ 5.60728326e-21, 9.99993501e-01]),
array([[ 4.14809412e-27, -1.45078961e-08],
[ -1.45078961e-08, 5.07411462e+10]]))
# oops, definitely wrong.
>>> scipy.optimize.curve_fit(lambda t,a,b: a*numpy.exp(b*t), x, y, p0=(4, 0.1))
(array([ 4.88003249, 0.05531256]),
array([[ 1.01261314e+01, -4.31940132e-02],
[ -4.31940132e-02, 1.91188656e-04]]))
# y ≈ 4.88 exp(0.0553 x). much better.