【问题标题】:Why does adding an extra dummy parameter to a function make curve fitting work?为什么向函数添加额外的虚拟参数会使曲线拟合起作用?
【发布时间】:2022-01-18 23:19:31
【问题描述】:

我一直在尝试使用 scipy 对一些数据进行线性拟合,但我发现拟合与数据相差甚远。为了进一步调查,我尝试使用下面的代码将一条线拟合到一些完全适合一条线的数据,但它仍然不起作用,如图所示。

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


def func(a,x):
    return a*(x+1)


x = np.arange(-5,6)
y = func(1,x)

popt,pcov = curve_fit(func,x,y,p0=[1])

plt.plot(x,y,'x')
plt.plot(x,func(*popt,x),'--')
plt.show()

看到这个失败后,我尝试重新定义该函数,使其具有一个什么都不做的附加参数,但令我惊讶的是,它发现它起作用了。

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


def func(a,b,x):
    return a*(x+1)


x = np.arange(-5,6)
y = func(1,0,x)

popt,pcov = curve_fit(func,x,y,p0=[1,0])

plt.plot(x,y,'x')
plt.plot(x,func(*popt,x),'--')
plt.show()

为什么以这种方式重新定义函数,看起来应该没有区别,显然解决了这里的问题?


注意,在玩了一会儿之后,我发现这似乎只有在初始猜测 p0 已经设置为正确值时才有效,尽管使用 dummy 参数的拟合仍然更接近正确拟合比另一个。 此外,虽然我在这里使用了线性函数,但这种行为似乎也出现在其他类型的函数中。

【问题讨论】:

  • 你在策划错误的事情。这是func(x, *popt),而不是func(*popt, x)。你会看到这样你会得到更好的结果。
  • @FrankYellin x 是func 定义中的第二个参数,那为什么要在func(x, *popt) 中排在第一位呢?
  • 对不起。您也可能错误地调用了该函数。此函数的文档说:“参数的最佳值,以便 f(xdata, *popt) - ydata 的平方误差之和最小化”。我只是在引用。

标签: python scipy curve-fitting


【解决方案1】:

正如用户Frank Yellin 在他的评论中所说,您正在以与curve_fit 不兼容的方式定义您的函数。

来自docs、curve_fit:

假设ydata = f(xdata, *params) + eps

如果你用正确的参数顺序定义func,你会得到:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


def func(x, a):
    return a*(x+1)


x = np.arange(-5,6)
y = func(x, 1)

popt,pcov = curve_fit(func,x,y,p0=[1])

plt.plot(x,y,'x')
plt.plot(x,func(x, *popt),'--')
plt.show()

您上面的一些尝试之所以奏效是因为您用于拟合的特定函数几乎关于参数是对称的,这意味着如果@987654331 a*(x+1) 将有意义@ 包含您的数据,x 包含您的参数。

【讨论】:

    猜你喜欢
    • 2021-09-01
    • 1970-01-01
    • 2021-10-17
    • 2011-12-24
    • 1970-01-01
    • 1970-01-01
    • 2020-05-18
    • 1970-01-01
    • 2013-09-10
    相关资源
    最近更新 更多