### Python CAD 曲线拟合及数据偏差计算 在计算机辅助设计 (CAD) 中，曲线拟合通常涉及将一组离散点映射到一条平滑的连续曲线上。常见的方法包括最小二乘法、B样条插值以及贝塞尔曲线拟合等。以下是使用 `numpy` 和 `scipy` 库进行曲线拟合并计算数据偏差的一个示例。 #### 1. 使用最小二乘法进行多项式拟合 下面是一个简单的例子，展示如何使用 `numpy.polyfit()` 进行多项式拟合并计算均方误差 (MSE)[^6]： ```python import numpy as np import matplotlib.pyplot as plt # 输入数据点 x = np.array([0, 1, 2, 3, 4, 5]) y = np.array([0, 0.8, 0.9, 0.1, -0.8, -1]) # 多项式拟合（二次） degree = 2 coefficients = np.polyfit(x, y, degree) # 构建多项式函数 polynomial = np.poly1d(coefficients) # 计算预测值 y_fitted = polynomial(x) # 绘制原始数据和拟合曲线 plt.scatter(x, y, label="Data Points", color="red") xfit = np.linspace(min(x), max(x), 100) plt.plot(xfit, polynomial(xfit), label=f"Fitted Curve ({degree} Degree)", color="blue") # 计算均方误差 MSE mse = np.mean((y - y_fitted)**2) # 显示图表并打印结果 plt.legend() plt.title(f"Polynomial Fitting with MSE={mse:.4f}") plt.show() print(f"Coefficients of the fitted polynomial: {coefficients}") print(f"Mean Squared Error (MSE): {mse}") ``` 此代码片段展示了如何通过最小二乘法拟合一个二次多项式，并计算其与实际数据之间的均方误差[^6]。 --- #### 2. B样条曲线拟合 对于更复杂的曲线形状，可以考虑使用 B 样条插值。以下是如何使用 `scipy.interpolate.splrep` 实现 B 样条拟合的例子： ```python from scipy.interpolate import splrep, splev # 定义控制点 tck = splrep(x, y, k=3) # tck 是返回的结果元组 (t,c,k)，分别表示节点矢量、系数和阶数 # 插值新点 x_new = np.linspace(min(x), max(x), 100) y_spline = splev(x_new, tck) # 可视化结果 plt.figure(figsize=(8, 6)) plt.scatter(x, y, label="Original Data", color="green") plt.plot(x_new, y_spline, label="Spline Interpolation", color="orange") plt.legend() plt.title("B-Spline Curve Fitting") plt.show() ``` 该部分说明了如何利用三次 B 样条插值技术生成光滑曲线[^7]。 --- #### 3. 贝塞尔曲线拟合 如果需要更加灵活的曲线形式，则可以选择贝塞尔曲线。这里提供了一个简单的一维贝塞尔曲线实现方式： ```python def bezier_curve(control_points, num_points=100): n = len(control_points) - 1 t_values = np.linspace(0, 1, num_points) curve = [] for t in t_values: point = sum(np.math.comb(n, i) * (1-t)**(n-i) * t**i * control_points[i] for i in range(n+1)) curve.append(point) return np.array(curve) control_points = [(0, 0), (1, 1), (2, -1), (3, 0)] curve_x = [p[0] for p in control_points] curve_y = [p[1] for p in control_points] bezier_x = bezier_curve([p[0] for p in control_points]) bezier_y = bezier_curve([p[1] for p in control_points]) plt.figure(figsize=(8, 6)) plt.plot(bezier_x, bezier_y, label="Bezier Curve", color="purple") plt.scatter(curve_x, curve_y, label="Control Points", color="black") plt.legend() plt.title("Bezier Curve Example") plt.show() ``` 上述脚本定义了一种通用的贝塞尔曲线构建逻辑，并将其应用于二维空间中的几个控制点集合之上[^8]。 --- #### 数据偏差计算 无论采用哪种拟合方法，都可以通过比较真实值与预测值来评估模型性能。常用的指标有： - **均方误差 (MSE)**：衡量平均平方差。 - **绝对误差总和 (SAE)**：累加所有样本间的绝对差异。 - **R²决定系数**：反映因变量变化中有多少比例可由自变量解释。 这些统计量能够帮助判断所选模型的好坏程度。 --- ### 问题