我正在使用Scipy CurveFit将高斯曲线拟合到数据中，并且我有兴趣分析拟合的质量。我知道CurveFit返回一个有用的pcov矩阵，从中可以将参数popt [0]的每个拟合参数的标准偏差计算为sqrt（pcov [0,0]）。
e.g。代码段：
import numpy as np
from scipy.optimize import curve_fit
def gaussian(self, x, *p):
A, sigma, mu, y_offset = p
return A*np.exp(-(x-mu)**2/(2.*sigma**2)) + y_offset
p0 = [1,2,3,4] #Initial guess of parameters
popt, pcov = curve_fit(gaussian, x,y, p0) #Return co-effs for fit and covariance
‘Parameter A is %f (%f uncertainty)’ % (popt[0], np.sqrt(pcov[0, 0]))
这表明拟合曲线方程中每个系数的拟合参数的不确定性，但我想知道如何最好地获得整体“拟合参数质量”，以便我可以比较不同曲线方程之间的拟合质量（例如高斯，超高斯等）
在一个简单的层面上，我可以计算每个系数的不确定性百分比然后平均，尽管我想知道是否有更好的方法？ 从在线搜索，以及特别有用的“适合度”维基百科页面，我注意到有很多措施来描述这一点。我想知道是否有人知道是否有任何内置于Python包中/有任何一般建议可以量化曲线拟合的好方法。
感谢您的帮助！
答案 0 :(得分：4)
您可以使用ODRPACK库而不是curve_fit。 ODRPACK拟合的结果包含几种不同方式的所有拟合参数的不确定性估计，包括估计参数的标准误差，这正是您正在寻找的。
我曾经使用过curve_fit，但我遇到了同样的问题：缺少拟合参数误差的估计。所以，现在我正在使用ODRPACK。