Python 相关变量与scipy曲线拟合

我有一个物理模型，有一个自变量

X

和三个参数

a

，

B

和

C

。因变量为

Y=F（X，A，B，C）

，其中

F

是平滑连续的模型函数

我有许多数据点文件

（X，Y）

，我希望（每个文件）与模型相匹配，以研究参数如何变化。该模型对自变量和所有参数都是非线性的

为了适应这个模型，我使用Python中的

scipy.optimize curve\u fit

，在带有数据点的整个文件中使用

for循环

。对于每个文件，我都会得到最佳拟合参数

（A、B、C）

，模型非常适合所有文件。但是，当我检查配件后的参数误差时，我注意到

A

中的误差非常大，甚至比相应的值高出两个数量级

经验告诉我，这些较大的差异可能是由于参数

A

可能与其他任何参数相关。为了验证这一假设，我绘制了获得的

A

值与

B

和

C

值的对比图。我看到，事实上，出现了一种形式为

a=a*B^B

的幂律关系，这在物理上是可以接受的

---

有没有一种方法可以告诉

曲线拟合

在不引入新参数（比如

a

和

b

）的情况下处理这种相关性，以便以尽可能低的方差拟合模型？

尝试使用

方法='trf'

作为拟合参数。这避免了使用最小二乘法，并适用于雅可比矩阵的伪逆。我相信特征值为零的雅可比矩阵应该不是问题。

谢谢。我试过了，但它给了我同样大的方差。