基于python的二次拟合曲线异常点过滤算法

二次拟合曲线异常点过滤算法（Quadratic Regression Outlier Removal）是一种基于二次拟合曲线的异常点检测算法，它的基本思想是：对于给定的数据集，先使用二次拟合曲线进行拟合，然后计算每个样本点到拟合曲线的距离，超过某个阈值的点即被认为是异常点。

下面是基于Python的二次拟合曲线异常点过滤算法的示例代码：

import numpy as np
from scipy.optimize import curve_fit

# 定义二次函数模型
def quadratic(x, a, b, c):
    return a * x ** 2 + b * x + c

# 构造测试数据
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([1, 3, 5, 7, 9, 11, 13, 15, 17, 100])

# 使用二次函数模型进行拟合
popt, pcov = curve_fit(quadratic, x, y)

# 计算每个样本点到拟合曲线的距离
distances = np.abs(y - quadratic(x, *popt))

# 计算阈值（可以根据实际情况调整）
threshold = np.mean(distances) + 3 * np.std(distances)

# 标记异常点
outliers = distances > threshold

# 输出结果
print(outliers)

上述代码中，我们首先定义了一个二次函数模型`quadratic`，然后构造了一个简单的测试数据集，使用二次函数模型进行拟合，计算每个样本点到拟合曲线的距离，接着根据阈值判断哪些点是异常点，并将其标记出来。最后输出结果。