numpy.polynomial.hermite.hermfit

numpy.polynomial.hermite.hermfit(x, y, deg, rcond=None, full=False, w=None) [source]

Наименьшие квадраты подгонки ряда Эрмита к данным.

Возвращает коэффициенты ряда Эрмита степени deg, который является наименьшей квадратической подгонкой к значениям данных y, заданным в точках x. Если y является одномерным, возвращаемые коэффициенты также будут одномерными. Если y является двумерным, выполняется несколько подгонок, по одной для каждого столбца y, и полученные коэффициенты хранятся в соответствующих столбцах двумерного результата. Подгоняемый(ые) полином(ы) имеют вид

где n равно deg.

Параметры:	x : array_like, форма (M,) Координаты x M точек выборки (x[i], y[i]). y : array_like, форма (M,) или (M, K) Координаты y точек выборки. Несколько наборов точек выборки, имеющих одинаковые координаты x, могут быть подогнаны одновременно, передавая двумерный массив, содержащий один набор данных в каждом столбце. deg : int или 1-мерный array_like Степень(и) подгоняемых полиномов. Если deg является целым числом, то все члены до и включая deg-й член включаются в подгонку. Для версий NumPy >= 1.11.0 вместо этого можно использовать список целых чисел, определяющих степени членов, которые нужно включить. rcond : float, необязательно Относительное число обусловленности подгонки. Сингулярные значения, меньшие этого значения по отношению к наибольшему сингулярному значению, будут игнорироваться. Значение по умолчанию равно len(x)*eps, где eps – относительная точность типа float, примерно 2e-16 в большинстве случаев. full : bool, необязательно Переключатель, определяющий характер возвращаемого значения. Когда он False (значение по умолчанию), возвращаются только коэффициенты, когда True возвращается также диагностическая информация из разложения по сингулярным значениям. w : array_like, форма (M,), необязательно Веса. Если не None, вклад каждой точки (x[i],y[i]) в подгонку взвешен весом w[i]. В идеале веса выбираются таким образом, чтобы погрешности произведений w[i]*y[i] имели одинаковую дисперсию. Значение по умолчанию равно None.
Возвращает:	coef : ndarray, форма (M,) или (M, K) Коэффициенты Эрмита, упорядоченные от низших к высшим. Если y было двумерным, коэффициенты для данных в столбце k из y находятся в столбце k. [residuals, rank, singular_values, rcond] : список Эти значения возвращаются только если full = True resid – сумма квадратов остатков наименьших квадратов подгонки, rank – числовой ранг масштабированной матрицы Вандермонда, sv – сингулярные значения масштабированной матрицы Вандермонда, rcond – значение rcond. Для более подробной информации см. linalg.lstsq.
Предупреждения:	RankWarning Ранг матрицы коэффициентов в наименьших квадратах подгонки недостаточен. Предупреждение выдается только если full = False. Предупреждения можно отключить, используя >>> import warnings >>> warnings.simplefilter('ignore', RankWarning)

См. также

chebfit, legfit, lagfit, polyfit, hermefit

hermval

Вычисляет ряд Эрмита.

hermvander

Матрица Вандермонда ряда Эрмита.

hermweight

Функция веса Эрмита.

linalg.lstsq

Вычисляет наименьшие квадраты подгонки из матрицы.

scipy.interpolate.UnivariateSpline

Вычисляет сплайновые подгонки.

Примечания

Решение – это коэффициенты ряда Эрмита p, которые минимизируют сумму взвешенных квадратов ошибок

где – это веса. Эта задача решается путём составления (как правило) переопределённого матричного уравнения

где V – это взвешенная псевдо-матрица Вандермонда x, c – коэффициенты, которые нужно найти, w – это веса, а y – наблюдаемые значения. Это уравнение решается с помощью разложения по сингулярным значениям V.

Если некоторые сингулярные значения V настолько малы, что ими можно пренебречь, то будет выведено предупреждение RankWarning. Это означает, что значения коэффициентов могут быть плохо определены. Используя подгонку более низкой степени, обычно можно избавиться от предупреждения. Параметр rcond также может быть установлен на значение меньше его значения по умолчанию, но полученная подгонка может быть ложной и иметь значительный вклад из-за ошибок округления.

Подгонки с использованием рядов Эрмита, вероятно, наиболее полезны, когда данные могут быть аппроксимированы функцией sqrt(w(x)) * p(x), где w(x) – это вес Эрмита. В этом случае вес sqrt(w(x[i]) следует использовать вместе со значениями данных y[i]/sqrt(w(x[i]). Функция веса доступна как hermweight.

Ссылки

[R66]

Википедия, «Подгонка кривых», http://en.wikipedia.org/wiki/Curve_fitting

Примеры

>>> from numpy.polynomial.hermite import hermfit, hermval
>>> x = np.linspace(-10, 10)
>>> err = np.random.randn(len(x))/10
>>> y = hermval(x, [1, 2, 3]) + err
>>> hermfit(x, y, 2)
array([ 0.97902637,  1.99849131,  3.00006   ])