10分钟
最小二乘法拟合数据1
最小二乘法拟合数据:
scipy.optimize.leastsq(func, x0, args=(), Dfun=None, full_output=0, col_deriv=0,
ftol=1.49012e-08, xtol=1.49012e-08, gtol=0.0, maxfev=0, epsfcn=None,
factor=100, diag=None)
func
:是个可调用对象,给出每次拟合的残差。最开始的参数是待优化参数;后面的参数由args
给出x0
:初始迭代值args
:一个元组,用于给func
提供额外的参数。Dfun
:用于计算func
的雅可比矩阵(按行排列)。默认情况下,算法自动推算。它给出残差的梯度。最开始的参数是待优化参数;后面的参数由args
给出full_output
:如果非零,则给出更详细的输出col_deriv
:如果非零,则计算雅可比矩阵更快(按列求导)ftol
:指定相对的均方误差的阈值xtol
:指定参数解收敛的阈值gtol
:Orthogonality desired between the function vector and the columns of the Jacobianmaxfev
:设定算法迭代的最大次数。如果为零:如果为提供了Dfun
,则为100*(N+1)
,N
为x0
的长度;如果未提供Dfun
,则为200*(N+1)
epsfcn
:采用前向差分算法求解雅可比矩阵时的步长。factor
:它决定了初始的步长diag
:它给出了每个变量的缩放因子
返回值:
x
:拟合解组成的数组cov_x
:Uses the fjac and ipvt optional outputs to construct an estimate of the jacobian around the solutioninfodict
:给出了可选的输出。它是个字典,其中的键有:nfev
:func
调用次数fvec
:最终的func
输出fjac
:A permutation of the R matrix of a QR factorization of the final approximate Jacobian matrix, stored column wise.ipvt
:An integer array of length N which defines a permutation matrix, p, such that fjacp = qr, where r is upper triangular with diagonal elements of nonincreasing magnitude
ier
:一个整数标记。如果为 1/2/3/4,则表示拟合成功mesg
:一个字符串。如果解未找到,则它给出详细信息
假设我们拟合的函数是 f(x,y;a,b,c),其中 a,b,c 为参数。假设数据点的横坐标为 X,纵坐标为 Y,那么我们可以给出func
为:
def func(p,x,y):
a,b,c=p.tolist() # 这里p 为数组,形状为 (3,); x,y 也是数组,形状都是 (N,)
return f(x,y;a,b,c))
其中 args=(X,Y)
而雅可比矩阵为 [∂f/∂a,∂f/∂b,∂f/∂c],给出Dfun
为:
def func(p,x,y):
a,b,c=p.tolist()
return np.c_[df/da,df/db,df/dc]# 这里p为数组,形状为 (3,);x,y 也是数组,形状都是 (N,)
其中 args=(X,Y)
学员评价