最小二乘优化不是曲线拟合答案

【问题标题】：least square optimization NOT CURVE FITTING最小二乘优化不是曲线拟合
【发布时间】：2013-06-12 15:08:30
【问题描述】：

我正在处理最小二乘 (SCIPY) 问题。通常最小平方问题有给定 X 数据和 Y 数据，并给出函数的一般形式，例如线性/二次/对数，基于 x 和 y 数据，我们优化曲线方程的参数——这就是 CURVE合身

但是我想做的是给定 Y 数据和函数的确切形式，估计 X 数据是什么...x 数据是多维的，即有 40 个参数，其中只有 4 个在每个实验。我在下面展示了一个示例-

X data       Y data      function
a,b,c,d       0.4        a+b+c+d
a,c,d,e       0.2        a+c+d+e
c,d,e,k       0.7        c+d+e+k
..................................
..................................
..................................


so:
a+b+c+d = 0.4
a+c+d+e = 0.2
c+d+e+k = 0.7
...........
............
..........

假设我们拥有大量此类数据

所以函数是完全已知的，它只是 x 数据的总和。需要估计的参数很多，(40)，每个实验只实现了其中的4个参数，每个x数据都有对应的y值这有可能吗？？

不重要我正在研究一个与 DNA 转录因子结合相关的问题

【问题讨论】：

标签： scipy curve-fitting least-squares

【解决方案1】：

您只需要获得高达40个线性无关的那些组方程，然后使用的线性方程组的方法来解决的系数。 P>

【讨论】：