Python 曲线拟合应用于离散数据集问题

我正在尝试使用curve_fit软件包用自定义模型拟合一些（少数）离散的实验值。 问题是我得到了警告（？）：“优化警告：参数的协方差无法估计”，当然参数没有可靠的值

我读到这个问题是我的数据集离散性的结果，我可以使用LMFIT包解决它。 根据我发现的一些例子，我应该定义一个线性空间，然后将我的实验值分配给相应的x点。不幸的是，由于我的分数太少，这个过程会引入太多错误。因此，我想知道是否有一种方法可以通过curve_fit软件包克服这个问题。在同一代码中，我使用它来适应指数模型和其他数据（相同数量的元素），没有任何问题

谢谢你的提示 具体而言，将代码简化为基本内容：

xa= 阵列（[0.5,0.53,0.56,0.59,0.62,0.65,0.68,0.7,0.72,0.74,0.76， 0.78,0.8,0.82]，数据类型=对象）

嗯= 阵列（[0.40168,0.4010399999995,0.4002799999999997,0.39936,， 0.39828, 0.397, 0.39544, 0.39424000000000003, 0.39292, 0.39144, 0.38976,0.38788,0.38580000000000003,0.38348]，数据类型=对象）

---

fit_模型似乎无法调整数据

我将使fit_模型完美地拟合第一个数据点（0.5,0.40168），并使指数

（1+np.exp（（a-x）/b））

随着x的增加而增加

（1+np.exp（（a+x）/b））

，因此fit_模型随着x的减少而与输入数据相同

from numpy import array
import numpy as np

xa= array([0.5, 0.53, 0.56, 0.59, 0.62, 0.65, 0.68, 0.7, 0.72, 0.74,
0.76, 0.78, 0.8, 0.82], dtype=object)

ya= array([0.40168, 0.40103999999999995, 0.40027999999999997, 0.39936,
0.39828, 0.397, 0.39544, 0.39424000000000003, 0.39292, 0.39144, 0.38976, 0.38788, 0.38580000000000003, 0.38348], dtype=object)

from scipy.optimize import curve_fit

def fit_model(x, a, b):
    return (1 + np.exp((a + xa[0])/b))/(1 + np.exp((a + x)/b)) + (ya[0] - 1)

popt_an, pcov_an = curve_fit(fit_model, xa, ya, maxfev=100000)

我得到的解决方案是：

a = -1.47015573
b = 0.17030011

yp = array([0.40168   , 0.40103595, 0.40026891, 0.39935567, 0.39826869,
   0.39697541, 0.3954374 , 0.39425403, 0.39292656, 0.39143789,
   0.38976906, 0.38789897, 0.38580429, 0.38345918])

---

fit_模型似乎无法调整数据

我将使fit_模型完美地拟合第一个数据点（0.5,0.40168），并使指数

（1+np.exp（（a-x）/b））

随着x的增加而增加

（1+np.exp（（a+x）/b））

，因此fit_模型随着x的减少而与输入数据相同

from numpy import array
import numpy as np

xa= array([0.5, 0.53, 0.56, 0.59, 0.62, 0.65, 0.68, 0.7, 0.72, 0.74,
0.76, 0.78, 0.8, 0.82], dtype=object)

ya= array([0.40168, 0.40103999999999995, 0.40027999999999997, 0.39936,
0.39828, 0.397, 0.39544, 0.39424000000000003, 0.39292, 0.39144, 0.38976, 0.38788, 0.38580000000000003, 0.38348], dtype=object)

from scipy.optimize import curve_fit

def fit_model(x, a, b):
    return (1 + np.exp((a + xa[0])/b))/(1 + np.exp((a + x)/b)) + (ya[0] - 1)

popt_an, pcov_an = curve_fit(fit_model, xa, ya, maxfev=100000)

我得到的解决方案是：

a = -1.47015573
b = 0.17030011

yp = array([0.40168   , 0.40103595, 0.40026891, 0.39935567, 0.39826869,
   0.39697541, 0.3954374 , 0.39425403, 0.39292656, 0.39143789,
   0.38976906, 0.38789897, 0.38580429, 0.38345918])

---

我不理解在这里使用lmfit的问题。我也不明白“对象数组”在这里的用法。我可能会将您的硬连线非x依赖因子称为其自身变量（例如，“c”），并使用以下方法：

import numpy as np
import matplotlib.pyplot as plt
from lmfit import Model

xa = np.array([0.5, 0.53, 0.56, 0.59, 0.62, 0.65, 0.68, 0.7, 0.72, 0.74,
               0.76, 0.78, 0.8, 0.82])
ya = np.array([0.40168, 0.40103999999999995, 0.40027999999999997, 0.39936,
               0.39828, 0.397, 0.39544, 0.39424000000000003, 0.39292,
               0.39144, 0.38976, 0.38788, 0.38580000000000003, 0.38348])

def modelfunc(x, a, b, c):
    return (1 + c)/(1 + np.exp((a-x)/b))

my_model = Model(modelfunc)
params = my_model.make_params(a=1, b=-0.1, c=-0.5)
result = my_model.fit(ya, params, x=xa)

print(result.fit_report())

plt.plot(xa, ya, label='data')
plt.plot(xa, result.best_fit, label='fit')
plt.legend()
plt.show()

这将打印出一份

[[Model]]
    Model(modelfunc)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 29
    # data points      = 14
    # variables        = 3
    chi-square         = 7.6982e-10
    reduced chi-square = 6.9984e-11
    Akaike info crit   = -324.734898
    Bayesian info crit = -322.817726
[[Variables]]
    a:  1.29660513 +/- 6.9684e-04 (0.05%) (init = 1)
    b: -0.16527738 +/- 2.7098e-04 (0.16%) (init = -0.1)
    c: -0.59507868 +/- 1.6502e-05 (0.00%) (init = -0.5)
[[Correlations]] (unreported correlations are < 0.100)
    C(a, b) = -0.995
    C(b, c) = -0.955
    C(a, c) =  0.925

[[Model]]
模型（modelfunc）
[[Fit统计数据]]
#拟合方法=最小二乘法
#函数evals=29
#数据点=14
#变量=3
卡方检验=7.6982e-10
缩减卡方=6.9984e-11
Akaike信息临界值=-324.734898
贝叶斯信息临界值=-322.817726
[[变量]]
a:1.29660513+/-6.9684e-04（0.05%）（初始值=1）
b:-0.16527738+/-2.7098e-04（0.16%）（初始值=-0.1）
c:-0.59507868+/-1.6502e-05（0.00%）（初始值=-0.5）
[[相关性]]（未报告的相关性<0.100）
C（a，b）=-0.995
C（b，C）=-0.955
C（a，C）=0.925

---

然后显示这样一个图：

我不理解在这里使用lmfit会产生什么问题。我也不明白“对象数组”在这里的用法。我可能会将您的硬连线非x依赖因子称为其自身变量（例如，“c”），并使用以下方法：

import numpy as np
import matplotlib.pyplot as plt
from lmfit import Model

xa = np.array([0.5, 0.53, 0.56, 0.59, 0.62, 0.65, 0.68, 0.7, 0.72, 0.74,
               0.76, 0.78, 0.8, 0.82])
ya = np.array([0.40168, 0.40103999999999995, 0.40027999999999997, 0.39936,
               0.39828, 0.397, 0.39544, 0.39424000000000003, 0.39292,
               0.39144, 0.38976, 0.38788, 0.38580000000000003, 0.38348])

def modelfunc(x, a, b, c):
    return (1 + c)/(1 + np.exp((a-x)/b))

my_model = Model(modelfunc)
params = my_model.make_params(a=1, b=-0.1, c=-0.5)
result = my_model.fit(ya, params, x=xa)

print(result.fit_report())

plt.plot(xa, ya, label='data')
plt.plot(xa, result.best_fit, label='fit')
plt.legend()
plt.show()

这将打印出一份

[[Model]]
    Model(modelfunc)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 29
    # data points      = 14
    # variables        = 3
    chi-square         = 7.6982e-10
    reduced chi-square = 6.9984e-11
    Akaike info crit   = -324.734898
    Bayesian info crit = -322.817726
[[Variables]]
    a:  1.29660513 +/- 6.9684e-04 (0.05%) (init = 1)
    b: -0.16527738 +/- 2.7098e-04 (0.16%) (init = -0.1)
    c: -0.59507868 +/- 1.6502e-05 (0.00%) (init = -0.5)
[[Correlations]] (unreported correlations are < 0.100)
    C(a, b) = -0.995
    C(b, c) = -0.955
    C(a, c) =  0.925

[[Model]]
模型（modelfunc）
[[Fit统计数据]]
#拟合方法=最小二乘法
#函数evals=29
#数据点=14
#变量=3
卡方检验=7.6982e-10
缩减卡方=6.9984e-11
Akaike信息临界值=-324.734898
贝叶斯信息临界值=-322.817726
[[变量]]
a:1.29660513+/-6.9684e-04（0.05%）（初始值=1）
b:-0.16527738+/-2.7098e-04（0.16%）（初始值=-0.1）
c:-0.59507868+/-1.6502e-05（0.00%）（初始值=-0.5）
[[相关性]]（未报告的相关性<0.100）
C（a，b）=-0.995
C（b，C）=-0.955
C（a，C）=0.925

---

然后显示这样的图：

是的！这正是我想要的。非常感谢！这正是我想要的。非常感谢。嗯，是的，你是对的，在这种情况下使用对象数组是胡说八道。我现在让它们漂浮起来。非常感谢。我还将lmfit引入到我的代码中，它运行得非常好。我仍然有绘制曲线的问题。为了获得一条平滑的拟合曲线，即使是对于少数（6个点），我想让它相对于一个新的x轴来绘制最佳拟合结果，例如定义为xdata=np.linspace（min（xa）、max（xa）、num=200）。当然，会生成一条错误消息“ValueError:x和y必须具有相同的第一维度，但具有形状（200，）和（6，）”。如何操作？请阅读lmfit文档，使用

lmfit.ModelResult.eval（）

评估不同

x

值的模型结果。因此

xnew=np.linspace（min（xa），max（xa），num=200）

然后

ynew=result.eval（x=xnew）

。然后，阅读文档和示例。是的，你是对的，在这种情况下使用对象数组是胡说八道。我现在让它们漂浮起来。非常感谢。我还将lmfit引入到我的代码中，它运行得非常好。我仍然有绘制曲线的问题。为了获得一条平滑的拟合曲线，即使是对于少数（6个点），我想让它相对于一个新的x轴来绘制最佳拟合结果，例如定义为xdata=np.linspace（min（xa）、max（xa）、num=200）。当然，会生成一条错误消息“ValueError:x和y必须具有相同的第一维度，但具有形状（200，）和（6，）”。如何操作？请阅读lmfit文档，使用

lmfit.ModelResult.eval（）

评估不同

x

值的模型结果。因此

xnew=np.linspace（min（xa），max（xa），num=200）

然后

ynew=result.eval（x=xnew）

。然后，阅读文档和示例。