使用scipy在Python中進行曲線擬合

我想在scipy中使用curve_fit來擬合一些數據的曲線。我搜索我發現這句法，使用scipy在Python中進行曲線擬合

import numpy as np 
from scipy.optimize import curve_fit 

def func(x, a, b, c): 
    return a * np.exp(-b * x) + c 

xdata = np.linspace(0, 4, 50) 
y = func(xdata, 2.5, 1.3, 0.5) 
ydata = y + 0.2 * np.random.normal(size=len(xdata)) 

popt, pcov = curve_fit(func, xdata, ydata)

之後，但文件是不是真的清楚，特別是對於函數func的參數，我知道x是自變量值的numpy的陣列，但什麼是，b和c？此外，這是什麼意思線，

a * np.exp(-b * x) + c

計算Ÿ我們稱之爲與獨立變量和其他參數FUNC，但什麼是YDATA？爲什麼我們計算這種方式，

ydata = y + 0.2 * np.random.normal(size=len(xdata))

最後一件事，如果我通過SciPy的得到一些函數內部的擬合模型（方程），我怎麼能在另外一個使用它？

任何幫助表示讚賞。謝謝。

來源

2015-06-27 Dania

curve_fit擬合一組數據ydata，其中每個點以自變量的值x給出某個模型函數。在該示例中，模型函數爲a * exp(-b * x) + c，其中a,b和c是要確定以最佳表示該模型的數據的一些常數。

由func計算的y是各數據點處的模型函數值x。

在這個例子中，ydata由擬合函數模擬了一些隨機高斯（正態分佈）噪聲添加到它：

ydata = y + 0.2 * np.random.normal(size=len(xdata))

您可以通過繪製y（綠線）和ydata看到這個（藍點）對xdata：

enter image description here

要使用擬合參數，popt，將它們傳遞到func：

yfit = func(xdata, *popt)

一個情節會告訴你的「精確」（綠線）的比較和擬合（藍線）：

enter image description here

來源

2015-06-27 21:42:59 xnx

感謝@xnx，在YDATA，爲什麼數量乘以0.2？ a，b和c的最佳選擇是什麼？因爲我已經嘗試了不同的a，b和c的curve_fit函數，它根本不適合，我的數據是分散的，是否有比曲線擬合更好的解決方案？ – Dania

0.2只是重新調整了噪音，所以沒有太多的例子;如果你不能很好地適合你的特定數據到這個'func'，或許根本沒有任何'a'，'b'，'c'這個模型能很好地完成這項工作。解決方案是使用不同的模型函數'func'！ – xnx

謝謝，有沒有使用衆所周知的非線性函數？另外，從你的答案我知道y是模型，ydata只是一些隨機生成的數據，用來顯示擬合曲線y的效果，這是正確的嗎？ – Dania

使用scipy在Python中進行曲線擬合

回答

相關問題