使用scipy在Python中进行曲线拟合

Question

我想在scipy中使用curve_fit为曲线拟合曲线。在我搜索了语法后，我发现了这个，

import numpy as np
from scipy.optimize import curve_fit

def func(x, a, b, c):
     return a * np.exp(-b * x) + c

xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5)
ydata = y + 0.2 * np.random.normal(size=len(xdata))

popt, pcov = curve_fit(func, xdata, ydata)

但是文档并不是很清楚，特别是关于函数func的参数，我知道x是自发变量值的numpy数组，但是a，b和c是什么？此外，这条线意味着什么，

a * np.exp(-b * x) + c 

计算y我们用自变量和其他参数调用func，但是什么是ydata？为什么我们这样计算呢，

ydata = y + 0.2 * np.random.normal(size=len(xdata))

最后一件事，如果我在某个函数中通过scipy获得拟合模型（等式），我该如何在另一个函数中使用它？

感谢任何帮助。 谢谢。

Answer 1

curve_fit适合一组数据ydata，每个点都以自变量x的值给出一些模型函数。在示例中，模型函数为a * exp(-b * x) + c，其中a，b和c是一些常量，需要确定以最好地表示此模型的数据。

y计算的func是每个数据点x的模型函数的值。

在该示例中，ydata由拟合函数模拟，并添加了一些随机高斯（正态分布）噪声：

ydata = y + 0.2 * np.random.normal(size=len(xdata))

您可以通过针对y绘制ydata（绿线）和xdata（蓝点）来看到这一点：

要使用拟合参数popt，请将它们传递给func：

yfit = func(xdata, *popt)

情节将显示“精确”（绿线）和拟合（蓝线）的比较：