تابع پایه شعاعی گاوسی (RBF) یک روش محبوب برای تقریب توابع در یادگیری ماشین و سایر زمینه ها است. در پایتون، می توانید از کلاس RBF از ماژول scipy.interpolate برای تقریب یک تابع با RBF گاوسی استفاده کنید. در اینجا مثالی از نحوه استفاده از آن برای تقریب تابع x^2 + abs(sin(πx)) آورده شده است
import numpy as np
from scipy.interpolate import Rbf
import matplotlib.pyplot as plt
# generate sample data
x = np.linspace(-1, 1, 10)
y = x ** 2 + np.abs(np.sin(np.pi * x))
# create the RBF model
rbf = Rbf(x, y, function='gaussian')
# evaluate the RBF model on a finer grid
xfine = np.linspace(-1, 1, 100)
yfine = rbf(xfine)
# plot the original data and the approximation
plt.scatter(x, y, label='Sample Data')
plt.plot(xfine, yfine, 'r-', label='RBF Approximation')
plt.legend()
plt.show()
کلاس RBF مقادیر x، y تابع را به عنوان ورودی دریافت می کند و پارامتر تابع به طور پیش فرض روی 'gaussian' تنظیم می شود. شی rbf را می توان روی هر مقدار x فراخوانی کرد تا مقادیر تقریبی y را برگرداند، همانطور که در مثال بالا نشان داده شده است.
تابع نمودار تابع اصلی و تقریب تابع شعاعی گاوسی را نشان می دهد.
همچنین می توانید از انواع مختلف توابع در کلاس Rbf استفاده کنید، به عنوان مثال چند چهارگانه، معکوس، خطی و بیشتر، تا ببینید کدام یک برای این تابع مناسب تر است.