如何使minuit.minuit使高斯曲线适合Python中的数据？

我试图用minuit.minuit函数将高斯函数拟合到一些简单的数据中，但它不会改变我的任何参数。如果有人能帮忙，我将非常感激

import numpy as np
import minuit

xCurve = np.array([0,1,2,3,4,5,6,7,8,9])
yCurve = np.array([0,1,2,3,4,5,4,3,2,1])


def Gaus(a,b,c):
    return a*np.exp(-((xCurve-b)**2)/(2*c**2))

m = minuit.Minuit(Gaus,a=4.5,b=5,c=0.4)
m.printMode=1
m.migrad()
m.printMode=0
m.values()

a = m.values['a']
b = m.values['b']
c = m.values['c']
d = m.values['d']
print a
print b
print c
print d

它抛出了一个错误：

---

minuit.minuiter错误：协方差不是正定的。

minuit是一个极小值，但您给了它一个拟合函数，而不是目标函数。（此函数实际上不是正定的，因此错误消息是适当的。）

要获得您真正想要的，请执行以下操作：

def gauss(x, a,b,c):
    return a*np.exp(-((x-b)**2/(2*c**2)))

def minimizeMe(a,b,c):
    return sum((gauss(x, a,b,c) - y)**2 for x, y in zip(xCurve, yCurve))

m = minuit.Minuit(minimizeMe, a=4.5, b=5, c=0.4)
m.printMode = 1
m.migrad()

这并不能有效地利用Numpy数组，但是如果您将minimizer和fit函数结合起来，您应该能够通过ufunc来实现

PyMinuit旨在提供更低级的配件技术。如果您只对普通最小二乘法感兴趣，您可能会发现直接Minuit接口很麻烦。另一方面，如果您计划使用套索回归约束某些参数，提供非二次或甚至非对称的损失函数，或者如果您计划进行甚至不能转换为函数拟合形式的优化，则低级接口是一种优势