怎么进行大数据拟合？

1、需要下图里面的模块。

2、构造一组随机数据：

x = np.arange(0, 1, 0.001)

y = norm.rvs(0, size=1000, scale=0.1)

y = y + x**2

3、把这些点在平面上画出来：

plt.scatter(x, y, s=1,color='green')

4、分别用0次多项式、1次多项式、……、9次多项式来拟合这组数据：

y_test = []

y_test = np.array(y_test)

for d in range(10):

    clf = Pipeline([('poly', 

                     PolynomialFeatures(degree=d)),

                    ('linear', LinearRegression(fit_intercept=False))])

    clf.fit(x[:, np.newaxis], y)

    y_test = clf.predict(x[:, np.newaxis])

    print(clf.named_steps['linear'].coef_)

5、画出这10次的拟合的图像：

y_test = []

y_test = np.array(y_test)

for d in range(10):

    clf = Pipeline([('poly', 

                     PolynomialFeatures(d)),

                    ('linear', LinearRegression(fit_intercept=False))])

    clf.fit(x[:, np.newaxis], y)

    y_test = clf.predict(x[:, np.newaxis])

    plt.plot(x, y_test, linewidth=2)

plt.scatter(x, y, s=1,color='green')

plt.show()

6、分别用10次、20次、100次多项式来拟合这些数据：

degree = [10,100,1000]

y_test = []

y_test = np.array(y_test)

for d in degree:

    clf = Pipeline([('poly', 

                     PolynomialFeatures(degree=d)),

                    ('linear', LinearRegression(fit_intercept=False))])

    clf.fit(x[:, np.newaxis], y)

    y_test = clf.predict(x[:, np.newaxis])

    plt.plot(x, y_test, linewidth=2)

plt.scatter(x, y, s=1,color='pink')

plt.legend(['10','100','1000'], loc='upper left')

plt.show()