Konfidenzband der kleinsten Fehlerquadrate berechnen
Ich habe eine Frage, mit der ich seit Tagen kämpfe.
Wie berechne ich das (95%) Konfidenzband einer Anpassung?
Das Anpassen von Kurven an Daten ist die tägliche Aufgabe eines jeden Physikers - daher denke ich, dass dies irgendwo implementiert werden sollte -, aber ich kann keine Implementierung dafür finden und weiß auch nicht, wie ich dies mathematisch tun soll.
Das einzige, was ich gefunden habe, istseaborn
das macht einen schönen Job fürlinea letzter Versuch
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
import pandas as pd
x = np.linspace(0,10)
y = 3*np.random.randn(50) + x
data = {'x':x, 'y':y}
frame = pd.DataFrame(data, columns=['x', 'y'])
sns.lmplot('x', 'y', frame, ci=95)
plt.savefig("confidence_band.pdf")
Aber dies ist nur ein lineares Least-Square. Wenn ich z. eine Sättigungskurve wie, Ich bin beschissen.
icher, ich kann die t-Verteilung aus dem Standardfehler einer Methode der kleinsten Quadrate wie @ berechnescipy.optimize.curve_fit
aber das ist nicht das, wonach ich suche.
ielen Dank für jede Hilf