Question

我可以使用模块（scipy.optimize.least_squares）来做一维曲线拟合（当然，我也可以直接使用curve_fit模块），就像这样

def f(par,data,obs):
    return par[0]*data+par[1]-obs
def get_f(x,a,b):
    return x*a+b
data = np.linspace(0, 50, 100)
obs = get_f(data,3.2,2.3) 
par = np.array([1.0, 1.0])
res_lsq = least_squares(f, par, args=(data, obs))
print res_lsq.x

我可以得到正确的拟合参数（3.2,2.3），但是当我将此方法推广到多维时，就像这样

def f(par,data,obs):
return par[0]*data[0,:]+par[1]*data[1,:]-obs
def get_f(x,a,b):
    return x[0]*a+b*x[1]

data = np.asarray((np.linspace(0, 50, 100),(np.linspace(0, 50, 100)) ) )
obs = get_f(data,1.,1.)

par = np.array([3.0, 5.0])
res_lsq = least_squares(f, par, args=(data, obs))
print res_lsq.x

我发现我无法得到正确答案，即（1.，1。），我不知道自己是否犯了错误。

Answer 1

在“多维”案例中生成数据和观察的方式有效地导致get_f返回(a+b)*x[0]（输入值x[0]，x[1]始终相同）同样，f返回(par[0]+par[1])*data[0]-obs。当然，对于a=1和b=1，完全相同的obs将由任何其他值a，b生成，a+b=1。 Scipy正确地返回满足此约束的（无限）可能值之一，具体取决于初始估计。

使用python进行三维曲面拟合

1 个答案: