顺便说一下，我们学到了很多关于监督学习的算法，但最近博主在看关于数据分析的书时，突然觉得在实际应用中很少使用关于机器学习、数据挖掘的东西。 我们要做的只是获得真实生活的数据，找到数据之间的关系，然后根据这种关系做出运营、决策等行为。 所以这是关于数据拟合。 (其实与监督学习的算法相比，数据拟合可以说非常简单。 ）
个人资料数据拟合又称曲线拟合，俗称拉曲线，是通过数学方法将现有数据代入一个数学式的表现。 科学和工程问题可以通过采样、实验等方法得到一些离散的数据，基于这些数据，希望连续的函数，也就是曲线，或者更密集的离散方程与已知的数据一致，这个过程是http://www.Sina .
PS :以上说明是从百度抄来的。
通俗地说，我们用某种方法得到未知关系的数据，找到函数曲线，表达数据之间的关系，保证大部分数据点落在曲线上。
本节介绍如何用python实现多项式拟合数据。 网上也有使用最小二乘法和高斯算法进行数据拟合的方法，但在实际工作中不需要那么复杂的应用，在此不再赘述。 有兴趣的人请自己学习。
说到数据拟合和我多项式拟合的数据，最重要的原因是拟合(fitting)。
然后，将数据合成为二次多项式。 具体代码如下。
importnumpyasnpx=[ 10，20，30，40，50，60，70，80 ] #定义x，y散点坐标x=NP.Array(x(print ('自变量x:(n，x ) y ) 2 )通过用二次多项式拟合#，可以通过对多项式阶print (x ) yvals=p(x )对从多项式系数：(n )，f ) p=np.poly1d(f )获得的多项式系数进行排序
用图像表示拟合的函数：
importmatplotlib.pyplotasplt.rcparams [ ' font.sans-serif ' ]=[ ' simhei ' ] # #中文显示不出现在PLT.rcparams['axes.] 8 ) ) plot1=plt.plot(x ) x，y，' s '，label='原始对应值') ) plot2=plt.plot(x ) x，yvvigure label='拟合函数
如上所述，任何函数可以用多项式形式表示。数学上可以证明，任意函数都可以表示为多项式形式那么，接下来试着合成7次多项式。
f=NP.polyfit(x，y，7 ) p=np.poly1d(f ) f ) yvals ) x ) PLT.figure (fig size=(10，8 ) ) plot1=PLT.plop
你会发现结果比以前好了很多。
实际上写这篇文章是因为最近读书的时候，看到了星巴克关于咖啡市场的A/B实验。 本实验旨在验证给定ddmn区域咖啡价格对新客户转化率的影响，并根据影响做出相应的运营决策。 在这个实验中，我们只知道咖啡价格和该地区商店的顾客转化率：
咖啡单价—10、20、30、40、50、60、70、80
顾客转化率—2.30258509、2.99573227、3.40119738、3.68887945、3.91202301、4.09434456、4.24849524、4.38202663
看了这个实验，我的第一个反应是用监督学习中的逻辑回归进行拟合建模。 但仔细想想，似乎没有必要这么复杂。 我只需要用多项式函数表示这两个数据的关系就可以了。
PS :说不定这个函数的次数会非常高，系数也会非常复杂。 但是，那又怎么样呢？ 反正也不是人工计算，什么头痛难懂的计算都扔进电脑里就行了。 否则，你学习编程做什么？
代码如下所示。
log _ y=NP.array ([ 2.30258509，2.99573227，3.4 ]
0119738, 3.68887945, 3.91202301,4.09434456, 4.24849524, 4.38202663])f=np.polyfit(x,log_y,2)# 用6次多项式拟合，可改变多项式阶数p=np.poly1d(f)#得到多项式系数，按照阶数从高到低排列#也可使用yvals=np.polyval(f1, x)yvals = p(x) #求对应x的各项拟合函数值plt.figure(figsize=(10,8))plot1=plt.plot(x,log_y,'s',label='原对应值')plot2=plt.plot(x,yvals,'r',label='拟合函数')plt.xlabel('价格提高')plt.ylabel('客户转化率')plt.legend(loc=4) #指定legend的位置右下角plt.title('A/B测试')plt.show()结果如上所示，可以看出随着价格的提高，新客户转化率是逐渐提高的（该说真不愧是时尚的荔枝），但是转化率的增长速度是逐渐降低的。
也就是说，当咖啡价格提高到一定程度的时候，ddmn们便不会再倾心于昂贵的咖啡。而星巴克所需要做的便是要找出这个价格的临界值，并在该区域根据这个价格展开一些运营手段。这样做既可以最高限度地提高新客户转化率，同时也能将销售利润最大化。
PS：这就是数据分析的魅力所在。
总结数据拟合是用来观察某一自变量归对因变量造成的影响，或者是二者之间的关系，适用于x与y的这种一对一关系:
y=axn+bx(n-1)+…+mx^2+n*x+d
x-自变量 y-因变量
而在数据挖掘/机器学习中，我们往往探讨多个特征值对目标值的共同作用，单独的去研究每个特征值的影响是非常麻烦的，而且用数据拟合去处理是非常片面的，因为有些特征值之间也会相互作用:
y=w[0]x[0]+w[1]x[1]+w[2]x[2]+…+w[p]x[p]+b
这里x[0]到x[p]表示耽搁数据点的特征(本例中特征个数为p+1),w和b是学习模型的参数，y是预测结果
个人博客：https://www.yyb705.com/
欢迎大家来我的个人博客逛一逛，里面不仅有技术文，也有系列书籍的内化笔记。
有很多地方做的不是很好，欢迎网友来提出建议，也希望可以遇到些朋友来一起交流讨论。