در این مطلب، ویدئو برازش منحنی در 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: 00:18:56
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,520
این مقدمه ای است برای برازش منحنی
2
00:00:02,520 –> 00:00:07,560
در پایتون اولین کاری که باید انجام دهیم
3
00:00:07,560 –> 00:00:10,830
4
00:00:10,830 –> 00:00:13,679
این است که دیگ بخار مربوطه را وارد کنیم تا یک matplotlib numpy داشته باشیم و سپس از
5
00:00:13,679 –> 00:00:15,839
بحث های قبلی حل چهارگانه F
6
00:00:15,839 –> 00:00:19,080
و Terp 1d را داریم و اکنون مورد جدید
7
00:00:19,080 –> 00:00:22,050
از SCI pi برای بهینه سازی است. منحنی واردات
8
00:00:22,050 –> 00:00:27,660
زیر خط برازش دارد بنابراین برازش منحنی
9
00:00:27,660 –> 00:00:31,890
برای نشان دادن مجموعه ای از داده ها توسط یک
10
00:00:31,890 –> 00:00:34,079
تابع مدل استفاده می شود.
11
00:00:34,079 –> 00:00:36,480
12
00:00:36,480 –> 00:00:38,309
13
00:00:38,309 –> 00:00:41,850
14
00:00:41,850 –> 00:00:43,760
داده ها به
15
00:00:43,760 –> 00:00:46,739
طور خلاصه یا ممکن است یک فرآیند فیزیکی زیربنایی وجود داشته باشد
16
00:00:46,739 –> 00:00:49,590
17
00:00:49,590 –> 00:00:51,899
که ما سعی می کنیم تاریخی را که می
18
00:00:51,899 –> 00:00:53,610
خواهیم روی داده ها اعمال کنیم، بنابراین یک
19
00:00:53,610 –> 00:00:56,820
مدل یک مدل فیزیکی داشته باشیم و ممکن است
20
00:00:56,820 –> 00:00:59,940
سعی کنیم بهترین پارامترهای تناسب را پیدا کنیم، به
21
00:00:59,940 –> 00:01:02,579
عنوان مثال. این ممکن است داده های جنبشی باشد که در آن
22
00:01:02,579 –> 00:01:05,519
ما یک نرخ را در مقابل دما اندازه گیری
23
00:01:05,519 –> 00:01:08,880
می کنیم و می خواهیم یک عامل پیش نمایی
24
00:01:08,880 –> 00:01:10,979
روی
25
00:01:10,979 –> 00:01:16,530
انرژی فعال سازی ضریب فعال سازی پیدا کنیم، به عنوان مثال، بنابراین در
26
00:01:16,530 –> 00:01:19,350
اکسل از یک خط روند استفاده کردیم، بنابراین یک
27
00:01:19,350 –> 00:01:21,930
سری o داشتیم. f دادههای XY را رسم کردیم
28
00:01:21,930 –> 00:01:23,340
و سپس روی نمودار کلیک راست کردیم
29
00:01:23,340 –> 00:01:27,540
و سپس خط روند را اضافه کردیم و سپس
30
00:01:27,540 –> 00:01:29,850
میتوانیم نوع خط روند را انتخاب کنیم، خواه
31
00:01:29,850 –> 00:01:33,299
قانون توان خطی چند جملهای و غیره باشد و
32
00:01:33,299 –> 00:01:34,979
روی دکمهای کلیک کردیم تا معادله را
33
00:01:34,979 –> 00:01:36,650
در نمودار نشان دهیم. بر روی معادله کلیک کنید
34
00:01:36,650 –> 00:01:39,210
و آن را فرمت کنید تا خروجی عددی را تغییر دهید،
35
00:01:39,210 –> 00:01:45,689
اگر دادههایی که
36
00:01:45,689 –> 00:01:47,729
در اکسل داریم، اگر فرم مدل در
37
00:01:47,729 –> 00:01:48,509
دسترس نیست،
38
00:01:48,509 –> 00:01:54,840
میتوانیم دادههایمان را ماساژ دهیم تا
39
00:01:54,840 –> 00:01:57,119
به شکل درستی درآیند، مانند گرفتن
40
00:01:57,119 –> 00:01:58,909
گزارش هر دو. sides و سپس ترسیم
41
00:01:58,909 –> 00:02:01,530
متغیرهای تغییر یافته که 1 را از هر دو
42
00:02:01,530 –> 00:02:07,979
طرف و غیره می گیرند یا می توانیم شکل دهیم، می
43
00:02:07,979 –> 00:02:11,129
توانیم چند سلول بسازیم که پارامترهای
44
00:02:11,129 –> 00:02:12,240
یک تابع عمومی را دارند
45
00:02:12,240 –> 00:02:15,330
و سپس داده های XY خود را داریم و
46
00:02:15,330 –> 00:02:18,570
یک فرمول برای مقادیر Y مدل شده می نویسیم.
47
00:02:18,570 –> 00:02:21,780
تفاوت بین
48
00:02:21,780 –> 00:02:24,660
مقادیر Y داده شده و مقادیر Y مدل شده
49
00:02:24,660 –> 00:02:26,580
که خطا است و سپس مجموع
50
00:02:26,580 –> 00:02:28,740
مربع خطا را با استفاده از تابع sum SQ
51
00:02:28,740 –> 00:02:31,820
محاسبه می کنیم و سپس از حل کننده برای به
52
00:02:31,820 –> 00:02:35,610
حداقل رساندن مجموع SQ مجموع مربع خطا
53
00:02:35,610 –> 00:02:39,090
با تغییر سه مورد استفاده می کنیم. یا چهار پارامتر با هر
54
00:02:39,090 –> 00:02:41,190
تعداد زیادی که داریم، بنابراین این
55
00:02:41,190 –> 00:02:43,740
رویکردی است که در اکسل استفاده کردیم و با
56
00:02:43,740 –> 00:02:45,060
وجود اینکه رویکرد در پایتون متفاوت است،
57
00:02:45,060 –> 00:02:47,970
همه قسمتها هنوز وجود دارند، بنابراین
58
00:02:47,970 –> 00:02:50,130
ما هنوز یک سری از
59
00:02:50,130 –> 00:02:52,590
دادههای x و y خواهیم داشت و سپس میتوانیم از
60
00:02:52,590 –> 00:02:55,410
توابع مختلف برای یافتن
61
00:02:55,410 –> 00:02:58,260
این پارامترها استفاده خواهیم کرد، بنابراین دو روش اصلی وجود دارد
62
00:02:58,260 –> 00:03:00,270
که در پایتون از آنها استفاده خواهیم کرد،
63
00:03:00,270 –> 00:03:02,820
اولی پلی فیت نام دارد و
64
00:03:02,820 –> 00:03:05,340
برای برازش توابع چند جمله ای استفاده می شود و روش
65
00:03:05,340 –> 00:03:07,980
دوم به نام تناسب منحنی است که من از آن استفاده خواهم کرد.
66
00:03:07,980 –> 00:03:11,340
که برای منحنیهای کلیتر برازش، بنابراین
67
00:03:11,340 –> 00:03:13,080
اگر چند جملهای را برازش میکنید، از پلی فیت استفاده میکنید
68
00:03:13,080 –> 00:03:14,790
، بهتر است از بهترین
69
00:03:14,790 –> 00:03:17,010
ابزار برای کار استفاده کنید و پلی فیت
70
00:03:17,010 –> 00:03:18,960
برای برازش چندجملهای برای
71
00:03:18,960 –> 00:03:22,950
هر چیز دیگری که میتوانید از منحنی فیت استفاده کنید، بهینه شده است، بنابراین
72
00:03:22,950 –> 00:03:25,730
اجازه دهید ابتدا نگاه کنیم. در چند جملهای متناسب،
73
00:03:25,730 –> 00:03:28,500
نحو این است که از یک numpy میآید، بنابراین
74
00:03:28,500 –> 00:03:31,410
NP است یک برازش چند دو تابع وجود دارد که ما
75
00:03:31,410 –> 00:03:35,190
از poly fit استفاده میکنیم و poly Val poly
76
00:03:35,190 –> 00:03:39,060
fit، دادههای X را میبخشد و
77
00:03:39,060 –> 00:03:40,650
دادههای y را میگیرد و سپس ترتیب
78
00:03:40,650 –> 00:03:42,780
چند جملهای را میگیرد. با استفاده از یک straig
79
00:03:42,780 –> 00:03:45,270
خط ht یک مرتبه درجه دوم را
80
00:03:45,270 –> 00:03:48,420
به مرتبه مکعب 3 و غیره مرتب می کرد، بنابراین این
81
00:03:48,420 –> 00:03:50,850
سه چیز X چه X داده های Y
82
00:03:50,850 –> 00:03:53,250
را در مرتبه چند جمله ای نشان می دهد و سپس
83
00:03:53,250 –> 00:03:55,770
آرایه ای از ضرایب چند جمله ای را
84
00:03:55,770 –> 00:03:57,600
که با بالاترین
85
00:03:57,600 –> 00:04:00,750
توان X شروع می شود، برمی گرداند.
86
00:04:00,750 –> 00:04:02,430
87
00:04:02,430 –> 00:04:05,660
اگر میخواهیم Def Poly را دوست داشته باشیم، میتوانیم یک تابع بنویسیم که سپس
88
00:04:05,660 –> 00:04:09,600
یک چند جملهای را برمیگرداند و در
89
00:04:09,600 –> 00:04:12,030
هر چیزی که میخواهیم ارزیابی میکنیم، اما numpy
90
00:04:12,030 –> 00:04:13,680
این را برای ما با تابعی به نام
91
00:04:13,680 –> 00:04:15,690
poly Val در نظر گرفته است که در آن
92
00:04:15,690 –> 00:04:17,700
ضرایب چند جملهای و نقطهای را
93
00:04:17,700 –> 00:04:21,180
که میخواهیم به آن میدهیم. چند جملهای را
94
00:04:21,180 –> 00:04:23,690
در این نقطه ارزیابی میکند
95
00:04:24,460 –> 00:04:27,980
و این میتواند یک مقدار یا یک
96
00:04:27,980 –> 00:04:29,930
آرایه از ارزش را بگیرد، بنابراین بیایید ادامه دهیم و
97
00:04:29,930 –> 00:04:33,790
این را امتحان کنیم، ما برخی از دادههای X G Y G دادهایم،
98
00:04:33,790 –> 00:04:37,340
بنابراین ممکن است توسط خودتان محاسبه شود
99
00:04:37,340 –> 00:04:39,170
یا ممکن است آن را به جایی رسانده باشید.
100
00:04:39,170 –> 00:04:41,180
آن را به صورت داده شده در نظر می گیریم و سپس اولین
101
00:04:41,180 –> 00:04:42,800
کاری که باید انجام دهیم این است که ضرایب بازده شعر
102
00:04:42,800 –> 00:04:46,880
و pedo poly متناسب X G Y
103
00:04:46,880 –> 00:04:49,760
G و ترتیب چند جمله ای را
104
00:04:49,760 –> 00:04:58,100
3 انجام می دهیم و سپس می توانیم آن چند جمله ای را ارزیابی کنیم.
105
00:04:58,100 –> 00:05:00,530
l در هر جایی که میخواهیم، بنابراین میتوانیم X X
106
00:05:00,530 –> 00:05:02,870
ا انجام دهیم، بیایید یک دسته کامل از نق
107
00:05:02,870 –> 00:05:06,470
ط برابر با NP نقطههای فضای خطی از
108
00:05:06,470 –> 00:05:10,730
به 5 با 1000 امتیاز و سپس Y y ب
109
00:05:10,730 –> 00:05:14,780
ابر میشود و P، poly Val را
110
00:05:14,780 –> 00:05:17,330
ریافت میکند، ضرایب چند جملهای را به آن می
111
00:05:17,330 –> 00:05:19,820
دهیم. مقادیری که میخواهیم
112
00:05:19,820 –> 00:05:22,640
آن را در X X ارزیابی کنیم و اکنون میتوانیم
113
00:05:22,640 –> 00:05:26,840
نمودار LTI X G Y G را رسم کنیم و شما آن را
114
00:05:26,840 –> 00:05:31,669
با نمادها رسم میکنید و همچنین دادههای X X
115
00:05:31,669 –> 00:05:35,560
و دادههای y Y را به عنوان یک خط رسم
116
00:05:35,560 –> 00:05:38,600
میکنیم و به دلیل اینکه وارد نکردیم یا وارد نکردیم خراب میشویم.
117
00:05:38,600 –> 00:05:40,729
کتابخانه ها با این حال بیایید جلو برویم و آن
118
00:05:40,729 –> 00:05:50,960
را سریع انجام دهیم و ما تناسب چند جمله ای
119
00:05:50,960 –> 00:05:53,300
را از طریق داده های
120
00:05:53,300 –> 00:05:56,540
چند جمله ای مرتبه سوم دریافت می کنیم، بنابراین این روشی است که چگونه
121
00:05:56,540 –> 00:05:56,960
کار می کند
122
00:05:56,960 –> 00:06:01,310
poly fit و سپس poly Val و اگر
123
00:06:01,310 –> 00:06:03,620
دوست دارید دوباره می توانید اگر ما بخواهیم می
124
00:06:03,620 –> 00:06:06,770
توانیم انجام دهیم. مرگ کاملاً
125
00:06:06,770 –> 00:06:09,080
تابعی را تعریف میکند که در آن ضرایب چند جملهای
126
00:06:09,080 –> 00:06:13,070
و دادههای X
127
00:06:13,070 –> 00:06:15,140
مورد علاقه خود را پاس میکنیم و سپس میتوانیم
128
00:06:15,140 –> 00:06:18,720
p0p
129
00:06:18,720 –> 00:06:28,980
صفر ضربدر X Q به اضافه P 1 برابر X به اضافه P 2
130
00:06:28,980 –> 00:06:36,450
برابر X به اضافه P 3 را برگردانیم و بیایید آن را امتحان کنیم.
131
00:06:36,450 –> 00:06:45,050
خوب X X و Polly و ما اوه
132
00:06:45,050 –> 00:06:48,570
گم شده ما نیاز داریم برای پاس کردن در یک P و
133
00:06:48,570 –> 00:06:50,460
ما همان چیزی را دریافت می کنیم، بنابراین عملاً این همان کاری است
134
00:06:50,460 –> 00:06:52,920
که Polly Val انجام می دهد، اما ما
135
00:06:52,920 –> 00:06:55,410
مجبور نیستیم آن را سخت کدنویسی کنیم،
136
00:06:55,410 –> 00:06:59,730
بنابراین استفاده اولیه از Polly fit و
137
00:06:59,730 –> 00:07:02,700
Polly Val وجود دارد، اجازه دهید ادامه دهیم و این کار را برای
138
00:07:02,700 –> 00:07:05,100
تمرین دیگری انجام دهیم. روزی که
139
00:07:05,100 –> 00:07:07,710
از 2 به 8 برویم، اما بیایید نتایج را رسم
140
00:07:07,710 –> 00:07:09,600
کنیم، بیایید چند جمله ای را ارزیابی کنیم و
141
00:07:09,600 –> 00:07:11,669
نتایج را در محدوده وسیع تری رسم کنیم تا ببینیم چه چیزی به
142
00:07:11,669 –> 00:07:14,010
دست می آید، بنابراین دوباره ویدیو را مکث کنید
143
00:07:14,010 –> 00:07:15,510
و خودتان این کار را انجام دهید تا
144
00:07:15,510 –> 00:07:17,700
تمرین کنید، سعی کنید آنچه را که
145
00:07:17,700 –> 00:07:19,620
نام توابع هستند و چه باید
146
00:07:19,620 –> 00:07:24,570
آنها را با oky بنامیم، بنابراین P برابر است با NP
147
00:07:24,570 –> 00:07:31,110
Polly fit X gyg و یک
148
00:07:31,110 –> 00:07:34,140
چند جمله ای مرتبه ششم و سپس می توانیم انجام
149
00:07:34,140 –> 00:07:55,110
دهیم فضای نقطه NP xx از 0 به 12 می رسد
150
00:07:55,110 –> 00:07:57,840
و این تابع را خیلی نمی گیریم.
151
00:07:57,840 –> 00:08:02,820
تابع زیبا به نظر می رسد، بنابراین مسئله اینجاست
152
00:08:02,820 –> 00:08:05,330
که وقتی روی آن محدوده رسم می کنیم،
153
00:08:05,330 –> 00:08:08,550
چند جمله ای ها بر اساس تعریف به مثبت
154
00:08:08,550 –> 00:08:11,310
یا منهای بی نهایت می روند همانطور که شما به
155
00:08:11,310 –> 00:08:14,550
مقادیر بالای مقادیر زیاد یا پایین X می روید و
156
00:08:14,550 –> 00:08:16,890
بنابراین ما می توانیم ببینیم که در اینجا هستیم. قرار است
157
00:08:16,890 –> 00:08:18,900
تناسب و داده های خوبی داشته باشد اما خارج از
158
00:08:18,900 –> 00:08:21,570
محدوده است هر کسی حدس میزند، پس بیایید
159
00:08:21,570 –> 00:08:24,270
جلوتر برویم و روی این لایهبرداری T نقطه X بزرگنمایی کنیم،
160
00:08:24,270 –> 00:08:29,789
من فقط تا زمانی که ممکن است این کار را انجام میدهم –
161
00:08:29,789 –> 00:08:36,809
برای خواندن یا چیزی شبیه به آن، و
162
00:08:36,809 –> 00:08:44,059
میتوانید ببینید که دادهها قبل از
163
00:08:44,959 –> 00:08:49,980
اوه، خود دادهها فقط به 1 میروند. 2 1 2 1 2
164
00:08:49,980 –> 00:08:53,970
1 بنابراین بعید است که یک
165
00:08:53,970 –> 00:08:55,830
چند جمله ای 6 مرتبه برای این کار ایده آل باشد، اما ما
166
00:08:55,830 –> 00:09:00,060
فقط 1 2 3 4 5 6 7 امتیاز داریم، بنابراین اگر
167
00:09:00,060 –> 00:09:02,610
7 نقطه داده دارید،
168
00:09:02,610 –> 00:09:04,970
چند جمله ای مرتبه ششم به همان اندازه ای است که می توانید
169
00:09:04,970 –> 00:09:08,550
بدون آن بروید. مشکل مفرد است و
170
00:09:08,550 –> 00:09:11,399
برای یک چند جمله ای مرتبه 6 با 7
171
00:09:11,399 –> 00:09:13,440
امتیاز، چند جمله ای به
172
00:09:13,440 –> 00:09:15,510
طور کامل از هر یک از
173
00:09:15,510 –> 00:09:18,029
نقاط عبور می کند، اما این لزوماً به این معنی نیست
174
00:09:18,029 –> 00:09:21,180
که چند جمله ای مناسب با
175
00:09:21,180 –> 00:09:23,970
داده ها است همانطور که در این بین می بینید. دادههایی
176
00:09:23,970 –> 00:09:26,010
که اغلب دریافت میکنید
177
00:09:26,010 –> 00:09:28,529
دقیقاً آن چیزی نیست که
178
00:09:28,529 –> 00:09:30,839
از تلفن دادهها انتظار دارید، بنابراین این یک
179
00:09:30,839 –> 00:09:33,149
چیز است و دیگری خارج
180
00:09:33,149 –> 00:09:35,579
از محدوده چندجملهای است که
181
00:09:35,579 –> 00:09:37,709
رفتار بسیار ترسناکی خواهند داشت، بنابراین
182
00:09:37,709 –> 00:09:40,47