5.4 数据驱动分析：从方程第一到数据第一

5.4 数据驱动分析：从方程第一到数据第一

本节摘要：定义先行——数据驱动分析是"方程未知、数据在手"场景下的一套流程：延迟嵌入把一维时间序列重构出吸引子（塔肯斯定理担保），不变量算法（维数、李雅普诺夫指数）给系统定性，稀疏回归（SINDy 一类）甚至能把方程逐项"读"回来。本节给出三级流程与一段二十行代码：从洛伦兹数据反推出 dx/dt = 10(y−x) 的正确系数。

本节是方法学的收官，视角与前几节相反：以前是"方程 → 数据"，现在"数据 → 方程"。对照轴一如既往：机理第一的建模对数据第一的重构——两条路最终在同一个相空间里会师。

让数据开口说话

实际工程里大量系统拿不到方程：脑电、地脉动、设备振动、市场指数。但只要它由确定性的低维动力学生成，就有三级递进的读法：

第一级：重构吸引子。 延迟嵌入定理（塔肯斯，1981）保证：把标量序列 x(t) 拼成高维向量 X(t) = [x(t), x(t+τ), x(t+2τ), …, x(t+(m−1)τ)]，只要嵌入维 m 足够大（经验上大于吸引子维数的两倍取整），重构向量集与真实吸引子微分同胚——形状一样、维数一样、李雅普诺夫指数一样。τ 取互信息函数的第一个极小值，m 用"伪最近邻"法确定：维数不够时，本是分开的点在投影里假性贴在一起，逐级升维直到伪邻居消失。

第二级：算不变量。 对重构后的点集跑 4.1 节的盒计数与 5.3 节的贝内坦算法——维数与指数是不变量的好处就在这里：重构不完美也基本算得准。

第三级：反推方程。 数值微分拿到导数估计后，"找方程"变成一个回归问题：dx/dt = Θ(X)·Ξ，其中 Θ 是候选函数库（常数、线性项、平方项、交叉项……），Ξ 是待定系数。真正的方程在 Θ 里是稀疏的——大多数候选系数为零——所以用带阈值淘汰的稀疏回归（序贯阈值最小二乘）而不是普通最小二乘，方能从噪声里挑出真项。

机理第一对数据第一

两行的末格合起来读，就是本章的结论：黑箱能重构的前提是"低维"，而确认低维恰恰要靠重构本身——所以数据驱动不是机理建模的替代品，是它的侦察兵。

展开案例：二十行代码把洛伦兹方程读回来

背景：假装不知道洛伦兹方程，只拿到状态 (x, y, z) 的采样序列（间隔 0.1，共约 250 点）。

操作：数值微分估计导数，建十列候选库，最小二乘回归 dx/dt，再按阈值淘汰小系数：

import numpy as np
from scipy.integrate import solve_ivp

sol = solve_ivp(lambda t, s: [10 * (s[1] - s[0]), s[0] * (28 - s[2]) - s[1],
                              s[0] * s[1] - 8 * s[2] / 3],
                [0, 25], [1.0, 1.0, 1.0], rtol=1e-10, dense_output=True)
X = sol.y[:, ::10].T                                  # 当作未知系统的采样
dX = np.gradient(X, 0.1, axis=0)                      # 数值微分
Theta = np.column_stack([np.ones(len(X)), X[:, 0], X[:, 1], X[:, 2],
                         X[:, 0]**2, X[:, 0] * X[:, 1], X[:, 0] * X[:, 2],
                         X[:, 1]**2, X[:, 1] * X[:, 2], X[:, 2]**2])
labels = ["1", "x", "y", "z", "x^2", "xy", "xz", "y^2", "yz", "z^2"]

coef = np.linalg.lstsq(Theta, dX[:, 0], rcond=None)[0]
coef[np.abs(coef) < 0.5] = 0                          # 稀疏化: 淘汰小系数
for l, c in zip(labels, coef):
    if c != 0:
        print(f"dx/dt 含 {l} 项, 系数 {c:+.2f}")
​

结果（典型输出）：只剩 y 项 +10.00 与 x 项 −10.00——洛伦兹第一条方程原样奉还；对 dX 的另两列重复回归，会把 +28、−1、−8/3 全部读出。

解读：稀疏化一步是灵魂。不做阈值淘汰时，十列系数全部非零、全是错的；阈值一卡，真项毫发无损、假项归零——"物理方程是稀疏的"这条先验，比任何回归技巧都值钱。变式：给数据加百分之一的噪声再跑，数值微分成为短板，需要先平滑或改用积分形式（把回归写成对积分量的拟合）；噪声与采样正是数据驱动方法的两条命门。

⚠️ 常见坑：嵌入维不足时重构出的"吸引子"是投影假象——自交叉的轨道看起来像混沌，实为降维损失。判据是伪最近邻曲线：不升到拐点就下结论，等于拿影子当本人。

💡 关键直觉：数据驱动的尽头仍是机理。SINDy 读回方程后，每一项都该问"它对应什么物理"——读得出方程是本事，解释得了方程才是理解。

问题：数据驱动给出的方程能直接当真用吗？

分两级使用。用作"假设生成器"——读出的稀疏方程是候选机理，后续走第七章的四步验证，这是它的正确身份。用作"直接生产工具"——在已验证的工况范围内做插值预测，也可接受。危险的是第三种用法：拿拟合优度高当机理正确，在训练工况之外外推。判别信号看系数的物理合理性：读回的系数若与已知守恒律、量纲、对称性冲突，先怀疑数据与候选库，别急着宣布发现新物理。数据驱动的谦逊守则一句话：它扩大假设的来源，不缩短验证的流程。

本节要点回顾

• 三级递进：延迟嵌入重构 → 不变量定量 → 稀疏回归反推方程，情报一级比一级具体。
• 塔肯斯担保的是"形状等价"：τ 与 m 选对才有等价，互信息定 τ、伪最近邻定 m 是标配组合。
• 稀疏先验是第三级的引擎：真方程在候选库里只占几项，阈值淘汰比回归本身更关键。
• 两条命门：噪声毁数值微分、欠采样毁嵌入；换数据段复测是最便宜的免疫力。

方法齐了。下一章把整套工具箱搬进现场：物理、生物、经济与气候，每个战场都先摆一对"线性对非线性"的靶子。