Python 最小二乘scipy.optimize.leastsq（）的残差，最优解

我知道scipy.optimize中有一个最小二乘法的例子，但我在残差函数方面遇到了实际问题，这已经有三天多了。我决定全面描述这个问题。我在网站上发现了一些其他类似的问题，但我无法真正通过编程解决，在我的案例中我真的很困惑。我无法正确创建适合scipy.optimize.leastsq残差的残差函数。我真的很累

这个问题就是A*x=b问题。让我简单解释一下：

输入：

import numpy as np
from scipy.optimize import leastsq


def function(x,delta):
        return dot(delta, x)

def residual(x, delta, y):
       error = y - dot(delta, x)
       return sum(error**2)


def main():    


  # INPUTS
  # Unknown values 
  x = [x2, x4, x5, x6, x7, x10, x13, x16]

  delta = np.array([1.76762035, 2.04349174, 1.25674742], 
                   [0.94873891, 2.01859342, 1.46348023], 
                   [0.83678402, 1.12030343, 0.92516861],
                   [1.43, 2., 2., 1.57])

  y = np.array([0.8353410485015903, 0.73620941924970962, 
                0.45428639186344633, 1.6180418445100002]

  x_init = np.zeros(len(x))

  result = leastsq(residual, x, args=(delta,y) )

  print result[0]

if __name__ == '__main__':
      main()

• y-例如：y1=点（δ_1，数组（[x2，x5，x6]））
• x-8个未知数[x2，x4，x5，x6，x7，x10，x13，x16]
• 增量长度

步骤：

import numpy as np
from scipy.optimize import leastsq


def function(x,delta):
        return dot(delta, x)

def residual(x, delta, y):
       error = y - dot(delta, x)
       return sum(error**2)


def main():    


  # INPUTS
  # Unknown values 
  x = [x2, x4, x5, x6, x7, x10, x13, x16]

  delta = np.array([1.76762035, 2.04349174, 1.25674742], 
                   [0.94873891, 2.01859342, 1.46348023], 
                   [0.83678402, 1.12030343, 0.92516861],
                   [1.43, 2., 2., 1.57])

  y = np.array([0.8353410485015903, 0.73620941924970962, 
                0.45428639186344633, 1.6180418445100002]

  x_init = np.zeros(len(x))

  result = leastsq(residual, x, args=(delta,y) )

  print result[0]

if __name__ == '__main__':
      main()

• 函数f（x_m，delta_n_m），n行，m列
• 残差| b|n-f（x，delta）^2
• 使用scipy.optimize.leastsq（残差，x0，arg（增量））最小化残差

我有函数，残差，极小值和输入，但是，我真的用残差函数叠加

查找： -（x2，x4，x5，x6，x7，x10，x13，x16），因此，我将所有值都放在代码中

代码：

import numpy as np
from scipy.optimize import leastsq


def function(x,delta):
        return dot(delta, x)

def residual(x, delta, y):
       error = y - dot(delta, x)
       return sum(error**2)


def main():    


  # INPUTS
  # Unknown values 
  x = [x2, x4, x5, x6, x7, x10, x13, x16]

  delta = np.array([1.76762035, 2.04349174, 1.25674742], 
                   [0.94873891, 2.01859342, 1.46348023], 
                   [0.83678402, 1.12030343, 0.92516861],
                   [1.43, 2., 2., 1.57])

  y = np.array([0.8353410485015903, 0.73620941924970962, 
                0.45428639186344633, 1.6180418445100002]

  x_init = np.zeros(len(x))

  result = leastsq(residual, x, args=(delta,y) )

  print result[0]

if __name__ == '__main__':
      main()

---

leastsq期望残差函数只返回残差，即：

def residual(x, delta, y):
    return y - dot(delta, x)

---

你好，克里斯蒂安，谢谢！我对此进行了测试，但是，如果不更改delta的形状，您会如何修复

ValueError:对象未对齐？？顺便说一下，在代码的开头，应该禁用x factor，因为它是未知的。请修复您的代码，使其可运行，然后我将能够查看错误消息。