Я пробовал несколько способов подгонки гаусса к этой диаграмме рассеяния, но у меня ничего не получалось. Любая помощь будет принята с благодарностью. Спасибо!
from numpy import *
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
data = loadtxt("/home/***/****/***")
t,q = data[:,2], data[:,3]
t,q = loadtxt("/home/***/****/***", usecols = (2,3), unpack=True)
plt.scatter(t,q, marker='.', s=20)
plt.show()
Кажется, что вы можете просто использовать определения параметров среднего и ковариации, чтобы подогнать их, используя оценки максимального правдоподобия из ваших данных, верно?
import numpy as np
data = np.loadtxt("/home/***/****/***", usecols=(2, 3))
mu = data.mean(axis=0)
sigma = np.cov(data, rowvar=0)
В моем понимании это и означает "подгонка". Однако похоже, что вы хотите показать эти величины на графике. Это может быть немного сложнее, но только потому, что вам нужно использовать некоторую линейную алгебру, чтобы найти собственные векторы оцениваемой матрицы ковариации, а затем использовать их для рисования эллипса ковариации.
import matplotlib.pyplot as plt
from matplotlib.patches import Ellipse
# compute eigenvalues and associated eigenvectors
vals, vecs = np.linalg.eigh(sigma)
# compute "tilt" of ellipse using first eigenvector
x, y = vecs[:, 0]
theta = np.degrees(np.arctan2(y, x))
ax = plt.subplot(111)
# eigenvalues give length of ellipse along each eigenvector
w, h = 2 * np.sqrt(vals)
ax.add_artist(Ellipse(mu, w, h, theta))
# show data on top of ellipse
ax.scatter(data[:, 0], data[:, 1])
plt.show()
unpack=True из кода, который вы разместили выше. (Ваша ковариационная матрица должна иметь форму (2, 2).)
- person lmjohns3; 01.08.2013
Это приходит немного поздно! Но сообщение об ошибке о слишком большом количестве значений для распаковки можно исправить, включив опцию unpack=True при загрузке данных, т.е.
data = np.loadtxt("/home/***/****/***", unpack=True, usecols=(2, 3))
