行文思路：最小二乘法原理介紹

利用 leastsq() 函數進行最小二乘法擬合

擬合注意事項

利用curve_fit 進行最小二乘法擬合

總結：

參考文獻

實現代碼

一，最小二乘法擬合

最小二乘法是一種數學優化技術，它通過最小化誤差的平方和尋找數據的最佳函數匹配。優化是找到最小值或等式的數值解的問題。而線性回歸就是要求樣本回歸函數盡可能好地擬合目標函數值，也就是說，這條直線應該盡可能的處于樣本數據的中心位置。因此，選擇最佳擬合曲線的標準可以確定為：使總的擬合誤差（即總殘差）達到最小。

假設有一組實驗數據(xi，yi ), 事先知道它們之間應該滿足某函數關系yi=f(xi)，通過這些已知信息，需要確定函數f的一些參數。例如，如果函數f是線性函數f(x)=kx+b, 那么參數 k和b就是需要確定的值。

如果用p表示函數中需要確定的參數，那么目標就是找到一組p,使得下面的函數S的值最小：

當誤差最小的時候可以理解為此時的系數為最佳的擬合狀態。

scipy.optimization 子模塊提供了函數最小值(標量或多維)、曲線擬合和尋找等式的根的有用算法。在optimize模塊中可以使用 leastsq() 對數據進行最小二乘擬合計算。leastsq() 函數傳入誤差計算函數和初始值，該初始值將作為誤差計算函數的第一個參數傳入。計算的結果是一個包含兩個元素的元組，第一個元素是一個數組，表示擬合后的參數；第二個元素如果等于1、2、3、4中的其中一個整數，則擬合成功，否則將會返回 mesg。下面是官方的文檔介紹，只截取了主要的參數部分。

代碼實現：

1，導入模塊：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import leastsq

2，一元二次方程的參數擬合，首先創建擬合數據。

x = np.linspace(-10,10,100) # 創建時間序列

p_value = [-2,5,10] # 原始數據的參數

noise = np.random.randn(len(x)) # 創建隨機噪聲

y = Fun(p_value,x)+noise*2 # 加上噪聲的序列

3，通過函數定義擬合函數的形式。

這里可以擬合任意的函數形式，這要能把它的表達式給出。

def Fun(p,x): # 定義擬合函數形式

a1,a2,a3 = p

return a1*x**2+a2*x+a3

4，定義殘差項。

一般最小二乘法是求擬合函數和目標函數差的平方，這里之所以沒有平方是應為在擬合函數的內部進行，這里不顯式的表示。

def error (p,x,y): # 擬合殘差

return Fun(p,x)-y

5， 進行擬合。

其中參數p0 為最小二乘法擬合的初值，初值的選取對于擬合時間和計算量影響很大，有事并對結果產生一定的影響。args() 中是除了初始值之外error() 中的所有參數的集合輸入。

para =leastsq(error, p0, args=(x,y)) # 進行擬合

y_fitted = Fun (para[0],x) # 畫出擬合后的曲線

返回參數為一個包含擬合后參數的元組，可以通過中括號[] 取值的方式得到。

6，完整的代碼如下：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import leastsq

def Fun(p,x): # 定義擬合函數形式

a1,a2,a3 = p

return a1*x**2+a2*x+a3

def error (p,x,y): # 擬合殘差

return Fun(p,x)-y

def main():

x = np.linspace(-10,10,100) # 創建時間序列

p_value = [-2,5,10] # 原始數據的參數

noise = np.random.randn(len(x)) # 創建隨機噪聲

y = Fun(p_value,x)+noise*2 # 加上噪聲的序列

p0 = [0.1,-0.01,100] # 擬合的初始參數設置

para =leastsq(error, p0, args=(x,y)) # 進行擬合

y_fitted = Fun (para[0],x) # 畫出擬合后的曲線

plt.figure

plt.plot(x,y,'r', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print (para[0])

if __name__=='__main__':

main()

最終擬合的參數結果：

[-1.99437662 5.03789895 10.00150115]

二， 使用curve_fit() 進行擬合

Note：使用 curve_fit()，主要的區別在于擬合函數的定義不同

def Fun(x, a1,a2,a3): # 定義擬合函數形式

return a1*x**2+a2*x+a3

完整的代碼：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import curve_fit

def Fun(x,a1,a2,a3): # 定義擬合函數形式

return a1*x**2+a2*x+a3

def error (p,x,y): # 擬合殘差

return Fun(p,x)-y

def main():

x = np.linspace(-10,10,100) # 創建時間序列

a1,a2,a3 = [-2,5,10] # 原始數據的參數

noise = np.random.randn(len(x)) # 創建隨機噪聲

y = Fun(x,a1,a2,a3)+noise*2 # 加上噪聲的序列

para,pcov=curve_fit(Fun,x,y)

y_fitted = Fun(x,para[0],para[1],para[2]) # 畫出擬合后的曲線

plt.figure

plt.plot(x,y,'r', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print (para)

if __name__=='__main__':

main()

擬合結果

最終的擬合結果參數為：

[-2.00309373 5.00945061 10.30565526]

三， 多項式擬合

代碼實現：

def main():

x = np.linspace(-10,10,100) # 創建時間序列

a1,a2,a3 = [-2,5,10] # 原始數據的參數

noise = np.random.randn(len(x)) # 創建隨機噪聲

y = Fun(x,a1,a2,a3)+noise*2 # 加上噪聲的序列

plt.plot(x,y)

para=np.polyfit(x, y, deg = 2)

y_fitted = Fun(x,para[0],para[1],para[2])

plt.figure

plt.plot(x,y,'ro', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print(para)

if __name__=='__main__':

main()

擬合結果為：

[-2.00532192 5.01626878 10.07612899]

總結：

本文主要講了最小二乘法擬合曲線的實現方法，使用 leastsq() 和 curve_fit()，最后講解了多項式的擬合poly.fit(). 最小二乘法的兩個擬合大體的步驟是一樣的，定義擬合范式，傳入擬合參數，開始擬合得出擬合結果。對于簡單的擬合函數兩者的差別很小，但是復雜的，需要具體的分析。文章還會繼續的分析擬合結果的含義，讓我們對擬合的結果有更加透徹的理解，隨心擬合。

參考文獻：

總結

以上是生活随笔為你收集整理的python拟合函数_Python-最小二乘法曲线拟合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。