در این مطلب، ویدئو برازش منحنی غیر خطی با استفاده از پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:11:37
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,290 –> 00:00:02,460
سلام بچه ها چطور پیش می رود، بنابراین در این
2
00:00:02,460 –> 00:00:04,380
آموزش من به شما بچه ها نشان خواهم داد که چگونه
3
00:00:04,380 –> 00:00:06,720
با استفاده از پایتون یک برازش منحنی غیرخطی انجام دهید،
4
00:00:06,720 –> 00:00:09,179
بنابراین همانطور که می بینید
5
00:00:09,179 –> 00:00:12,090
اینجا نتیجه یک
6
00:00:12,090 –> 00:00:14,820
برازش نمایی با استفاده از
7
00:00:14,820 –> 00:00:18,029
ماژول منحنی فیت SyFy است. بسته بنابراین در
8
00:00:18,029 –> 00:00:19,710
یکی از آموزش های قبلی خود من
9
00:00:19,710 –> 00:00:21,390
قبلاً به شما بچه ها نحوه نصب
10
00:00:21,390 –> 00:00:23,640
پایتون و تمام کتابخانه های لازم
11
00:00:23,640 –> 00:00:26,039
را نشان داده ام تا برنامه نویسی علمی
12
00:00:26,039 –> 00:00:31,260
مانند اعداد در کنار matplotlib و ساده را
13
00:00:31,260 –> 00:00:34,680
بدانید بنابراین در این آموزش خاص
14
00:00:34,680 –> 00:00:37,350
از یک اکثر آن کتابخانه ها
15
00:00:37,350 –> 00:00:40,590
مانند matplotlib برای تجسم شما دو روح
16
00:00:40,590 –> 00:00:43,170
همانطور که می توانید در اینجا و در کنار
17
00:00:43,170 –> 00:00:45,510
کتابخانه ببینید تا برازش منحنی را انجام دهید و
18
00:00:45,510 –> 00:00:47,670
سپس کتابخانه numpy برای شما می دانید که
19
00:00:47,670 –> 00:00:49,770
آرایه هایی ایجاد می کنند و به
20
00:00:49,770 –> 00:00:52,050
توابع ریاضی مانند توابع سینوس نمایی
21
00:00:52,050 –> 00:00:55,770
و غیره دسترسی پیدا می کنند. در این آموزش شما یاد خواهید گرفت
22
00:00:55,770 –> 00:00:57,660
که چگونه یک اتصال منحنی غیرخطی را انجام دهید،
23
00:00:57,660 –> 00:01:00,059
من قبلاً یک کد برای
24
00:01:00,059 –> 00:01:01,770
آن نوشته ام و به سرعت شما را
25
00:01:01,770 –> 00:01:03,420
از طریق این کد راهنمایی می کنم تا بتوانید
26
00:01:03,420 –> 00:01:05,489
دوباره ایجاد کنید یا دوباره تولید کنید نتایج
27
00:01:05,489 –> 00:01:09,360
را خودتان به دست آورید و این یک
28
00:01:09,360 –> 00:01:12,150
مهارت بسیار مهم و بسیار مفید است که باید داشته باشید
29
00:01:12,150 –> 00:01:15,180
اگر می دانید اگر یک
30
00:01:15,180 –> 00:01:18,540
رشته علمی یا مهندس می دانید که
31
00:01:18,540 –> 00:01:20,670
نمی توانید به راحتی با پایتون چنین احساسات غیرخطی Co را انجام دهید
32
00:01:20,670 –> 00:01:23,299
و تصمیم بگیرید. با
33
00:01:23,299 –> 00:01:27,330
بسته، بنابراین بدون بحث بیشتر، اجازه
34
00:01:27,330 –> 00:01:30,570
دهید به سراغ کد
35
00:01:30,570 –> 00:01:32,579
برویم، بنابراین خط اول اساساً ما طرح خود را
36
00:01:32,579 –> 00:01:34,860
برای ترسیم یا تجسم
37
00:01:34,860 –> 00:01:37,200
نتایج وارد می کنیم و آن را به صورت PLT
38
00:01:37,200 –> 00:01:39,420
قرار می دهیم
39
00:01:39,420 –> 00:01:41,040
تا به جای نوشتن کل، دستورات ما را کوتاهتر کند. چیزی که
40
00:01:41,040 –> 00:01:43,710
ریاضی آب نبات چوبی را ترسیم می کنم، می توانیم
41
00:01:43,710 –> 00:01:46,710
به جای آن PLC بنویسیم، سپس از این iPad یا
42
00:01:46,710 –> 00:01:49,259
بهینه سازی شده، منحنی فیت را وارد می کنیم و
43
00:01:49,259 –> 00:01:52,799
SNP numpy را دوباره وارد می کنیم تا
44
00:01:52,799 –> 00:01:56,219
در کد وارد شود و سپس تابع پر کردن را تعریف می کنیم
45
00:01:56,219 –> 00:01:58,200
که تابعی است
46
00:01:58,200 –> 00:02:00,210
که می خواهیم. نقاط داده ما باید
47
00:02:00,210 –> 00:02:05,159
برازش شوند، بنابراین تابع
48
00:02:05,159 –> 00:02:08,250
func را صدا می زنیم و سه پارامتر را اشغال می کند
49
00:02:08,250 –> 00:02:10,080
، اولین پارامتر پارامتر X
50
00:02:10,080 –> 00:02:13,390
است که نقاط داده X است، سپس این دو،
51
00:02:13,390 –> 00:02:14,770
سپس دو p دیگر وجود دارد. آرامترها
52
00:02:14,770 –> 00:02:16,810
بسته به نوع تابع
53
00:02:16,810 –> 00:02:18,460
و معادله ای که من دارم و چند
54
00:02:18,460 –> 00:02:21,460
پارامتر دارد و یک چیز واقعا
55
00:02:21,460 –> 00:02:23,710
مهم است که باید در اینجا به آن توجه کنید این است
56
00:02:23,710 –> 00:02:26,530
که تابع برازش همیشه
57
00:02:26,530 –> 00:02:29,680
باید اولین آرگومان یا پارامتر را
58
00:02:29,680 –> 00:02:33,070
به عنوان نقطه داده X داشته باشد. نمی
59
00:02:33,070 –> 00:02:34,990
توانید a یا B را به عنوان اولین پارامتر
60
00:02:34,990 –> 00:02:37,390
بدانید، همیشه باید نقاط داده محور x باشد
61
00:02:37,390 –> 00:02:39,490
و سپس بقیه
62
00:02:39,490 –> 00:02:42,160
پارامترهای تابعی که می
63
00:02:42,160 –> 00:02:44,680
دانید با فرآیند برازش منحنی تعیین می
64
00:02:44,680 –> 00:02:48,100
شوند باید پس از x وارد شوند.
65
00:02:48,100 –> 00:02:52,570
پارامتر محور بنابراین
66
00:02:52,570 –> 00:02:54,700
تابع تابع اینجاست که نقاط محور x
67
00:02:54,700 –> 00:02:56,650
و پارامترهای
68
00:02:56,650 –> 00:02:58,780
تابعی را که می خواهید
69
00:02:58,780 –> 00:03:00,459
با استفاده از الگوریتم برازش منحنی تعریف کنید را می گیرد
70
00:03:00,459 –> 00:03:02,110
و سپس همانطور که در اینجا می بینید
71
00:03:02,110 –> 00:03:03,790
تابع اساساً یک
72
00:03:03,790 –> 00:03:07,030
تابع نمایی a e به power BX so n P dot
73
00:03:07,030 –> 00:03:09,190
exp اساساً به این معنی است که ما
74
00:03:09,190 –> 00:03:11,140
75
00:03:11,140 –> 00:03:15,370
با بسته numpy به تابع نمایی دسترسی داریم و سپس B X را داریم
76
00:03:15,370 –> 00:03:17,260
و در اینجا یک خط کد نظر داده شده
77
00:03:17,260 –> 00:03:20,170
است که در آن اساساً ret می شود. یک تابع خطی را نشان می
78
00:03:20,170 –> 00:03:22,840
دهد که ax به اضافه B است، زیرا می توانید
79
00:03:22,840 –> 00:03:25,750
چنین اتصالاتی را با استفاده از این
80
00:03:25,750 –> 00:03:28,420
بسته انجام دهید، اما ممکن است کمی
81
00:03:28,420 –> 00:03:30,400
ناکارآمد باشد و ممکن است کندتر از
82
00:03:30,400 –> 00:03:33,340
انجام یک تناسب خطی اختصاصی باشد، اما
83
00:03:33,340 –> 00:03:36,519
همچنان می توانید نتایج را دریافت کنید و سپس
84
00:03:36,519 –> 00:03:39,040
آنچه را که می خواهیم انجام دهیم. انجام دهید این است که ما می خواهیم
85
00:03:39,040 –> 00:03:41,799
86
00:03:41,799 –> 00:03:43,780
نقاط داده آزمایشی x و y را در اینجا تعریف کنیم، بنابراین دو ناحیه
87
00:03:43,780 –> 00:03:46,690
x داده و داده Y ایجاد می کنیم که آنها خون آشام هستند
88
00:03:46,690 –> 00:03:49,209
و نقاط داده محور x 1 2 2 4 5
89
00:03:49,209 –> 00:03:52,299
و نقاط داده محور y هستند. از 1/9 پنجاه
90
00:03:52,299 –> 00:03:54,370
و سیصد و پانزده صد در حال حاضر همانطور
91
00:03:54,370 –> 00:03:57,160
که در اینجا می بینید نقاط داده محور y
92
00:03:57,160 –> 00:03:58,810
تقریباً به صورت نمایی مقیاس می شوند
93
00:03:58,810 –> 00:04:01,420
، به همین دلیل است که من یک
94
00:04:01,420 –> 00:04:04,900
تابع نمایی را برای این برازش انتخاب کردم، سپس کاری که
95
00:04:04,900 –> 00:04:06,670
ما انجام می دهیم این است که داده های تجربی را ترسیم می کنیم.
96
00:04:06,670 –> 00:04:08,650
نقاط با استفاده از
97
00:04:08,650 –> 00:04:11,950
دستور PLT dot plot سپس نقاط داده محور x
98
00:04:11,950 –> 00:04:14,140
نقاط داده محور y و سپس
99
00:04:14,140 –> 00:04:16,000
ویدیو اساساً به این معنی است که ما میخواهیم
100
00:04:16,000 –> 00:04:18,339
اینها را با استفاده از دایرههای آبی رسم کنیم و
101
00:04:18,339 –> 00:04:19,690
سپس آنها را به عنوان
102
00:04:19,690 –> 00:04:22,270
دادههای آزمایشی برچسبگذاری میکنیم تا همانطور که در اینجا میبینید.
103
00:04:22,270 –> 00:04:25,030
در این نمودار ما
104
00:04:25,030 –> 00:04:26,860
نقاط داده تجربی را داریم به عنوان
105
00:04:26,860 –> 00:04:29,110
نقاط آبی دایره و برچسب
106
00:04:29,110 –> 00:04:31,840
داده های آزمایشی و سپس می خواهیم
107
00:04:31,840 –> 00:04:32,919
با روش برازش منحنی شروع کنیم،
108
00:04:32,919 –> 00:04:35,919
بنابراین در اینجا دو خط
109
00:04:35,919 –> 00:04:37,960
رایج کد وجود دارد که اولین آن فقط یک
110
00:04:37,960 –> 00:04:39,879
توضیح درخت توضیحی است و دومی
111
00:04:39,879 –> 00:04:41,949
یک خط کد است که اساسا
112
00:04:41,949 –> 00:04:44,169
حدس اولیه را برای برازش منحنی ما اختصاص می دهد،
113
00:04:44,169 –> 00:04:47,620
بنابراین تابعی که می
114
00:04:47,620 –> 00:04:49,629
خواهیم برای برازش منحنی استفاده کنیم می
115
00:04:49,629 –> 00:04:51,490
تواند حدس های اولیه را انجام دهد زیرا یک
116
00:04:51,490 –> 00:04:54,969
تقریب عددی یا یک
117
00:04:54,969 –> 00:04:58,569
روش عددی است البته به طور پیش فرض این کار طول می کشد.
118
00:04:58,569 –> 00:05:01,539
دانمارکی یا از حدس های اولیه
119
00:05:01,539 –> 00:05:04,060
برای همه پارامترهایی که باید
120
00:05:04,060 –> 00:05:06,849
تعیین شوند استفاده می کند، اما اگر بخواهید نمی توانید آن پارامترها را تغییر دهید،
121
00:05:06,849 –> 00:05:09,580
اگر می دانید
122
00:05:09,580 –> 00:05:11,319
گاهی ممکن است اتفاقی بیفتد این است که
123
00:05:11,319 –> 00:05:13,659
بعد از برازش منحنی ممکن است
124
00:05:13,659 –> 00:05:16,270
نتوانید الگوریتم را تعیین کنید.
125
00:05:16,270 –> 00:05:17,800
نمی توانید بدانید پارامترهای درست را دریافت کنید،
126
00:05:17,800 –> 00:05:20,349
اگر هنوز می دانید که
127
00:05:20,349 –> 00:05:23,529
پارامترها بسیار دور از
128
00:05:23,529 –> 00:05:26,080
حدس اولیه هستند، زیرا لازم است فرد
129
00:05:26,080 –> 00:05:27,129
حدس اولیه را داشته
130
00:05:27,129 –> 00:05:29,250
باشد، بنابراین اگر پارامتر بسیار دور
131
00:05:29,250 –> 00:05:31,960
از آن است، پس باید
132
00:05:31,960 –> 00:05:35,349
یک حدس اولیه معقول ارائه دهید تا پارامترهای مناسب را به دست آورید،
133
00:05:35,349 –> 00:05:37,930
اما در مورد
134
00:05:37,930 –> 00:05:40,089
من