python中的scipy curvefit曲线拟合

Question

我正在尝试做一些曲线拟合。我有一个测量曲线，我相信这将是我的Y数据，我试图用一些其他曲线的加权和进行拟合，我相信这些曲线是我的X数据。

我最近试图做到这一点的尝试如下，但我有几个错误，我决定询问是否有人能帮助指出我做错了什么？

import numpy as np 
import scipy.optimize 

ydata = np.array([1.0, 7.0, 4.0]) 
xdata = np.array([[0.0, 1.0],[3.5, 0.0],[1.0, 2.0]]) 

def fitfunc(xdata, *params): 
    ctx = 0.0 
    for n in np.nditer(c): 
     ctx = c[n]*xdata[:,n] + ctx 
    return ctx 

# initial guesses for fitting parameters, answer for this simple example is 2.0, 1.0 
c = np.array([0.6, 0.3]) 

# fit data using SciPy's Levenberg-Marquart method 
nlfit, nlpcov = scipy.optimize.curve_fit(fitfunc, xdata, ydata, p0=[c], sigma=None) 

print(nlfit) 

道歉，因为无疑将是错误无处不在这一点，但我希望我的什么，我试图完成描述清楚

预先感谢您

Answer 1

1. fitfunc环路过来的参数的c，但n实际上是c的值，而不是指数。它试图运行例如ctx = c[0.6]*xdata[:,0.6] + ctx。
2. fitfunc使用固定的全局c，而不是curve_fit传递给它的参数。它应该参考params，而不是c。

你想要什么，而不是为

def fitfunc(xdata, *params): 
    ctx = 0.0 
    for n in range(len(params)): 
     ctx = params[n]*xdata[:,n] + ctx 
    return ctx 

我们可以看到，它的工作原理是通过自身运行它与print(fitfunc(xdata, *c))，返回[ 0.3 2.1 1.2]。

请注意，*c在print(fitfunc(xdata, *c))中取c的元素，并将它们作为单独的参数传递，而不是作为单个数组传递。这相当于编写了fitfunc(xdata, c[0], c[1])。

正如Stelios在评论中指出的，这是矩阵乘法，xdata[:,0] * c[0] + xdata[:,1] * c[1]。您可以使用np.matmul，这可能更快，如下所示：

def fitfunc(xdata, *params): 
    return np.matmul(xdata, params)