问题描述
我正在尝试使用 lsqcurvefit
在 Python 中从 matlab 实现 curve_fit
,但没有成功。下面是我试图移植到 Python 的 matlab 代码:
myfun = @(x,xdata)(exp(x(1))./ xdata.^exp(x(2))) - x(3);
xstart = [4,-2,54];
pX = [2,3,13,12,38,39];
pY = [12.7595,8.7857,-11.8802,-10.9528,-15.4390,-15.3083];
try
fittedmodel = lsqcurvefit(myfun,xstart,double(pX),double(pY),[],optimset('display','off'));
disp("fitted model:");
disp(fittedmodel);
catch
end
以下是我的 matlab 输出:
fitted model:
4.8389 3.3577 -2.0000
以下是我的 Python 代码:
from scipy.optimize import curve_fit
import numpy as np
pX = [2,-15.3083];
def myfun(x,xdata):
temp_val_1 = np.exp(x[0])
temp_val_2 = np.exp(x[1])
temp_val_3 = x[2]
temp_val_4 = np.power(xdata,temp_val_2)
temp_val_5 = np.divide(temp_val_1,temp_val_4)
temp_val_6 = temp_val_5 - temp_val_3
return temp_val_6
popt,pcov = curve_fit(myfun,pX,pY,p0=([4,54]))
print(popt,"\n",pcov)
以下是我的 Python 输出:
myfun() takes 2 positional arguments but 4 were given
我知道输入有问题,但我不明白要改变什么来解决这个问题并获得与使用 matlab 相同的结果。
解决方法
这里有一些提示可以帮助您入门:
-
请注意,
curve_fit
需要一个签名为f(xdata,*x)
的函数,其中x
是您的优化变量,即搜索系数。与 Matlab 的lsqcurvefit
相比,情况正好相反。符号*x
是特定于 Python 的,表示可变数量的参数。 -
此外,您不需要使用
np.power
和np.divide
函数。通常的数学运算符为 np.arrays 重载并按元素应用。例如,这意味着对于两个 np.arraysa / b
相当于 Matlab 的a ./ b
。因此,写(和读)更方便:
def myfun(xdata,*x):
return np.exp(x[0]) / xdata**np.exp(x[1]) - x[2]
我得到以下系数:
[ 4.01234549 -0.47409326 21.70045585]
但是,术语 np.exp(x[1])
似乎存在溢出,因此可能值得重新制定目标函数或提高浮点精度。即使用长双打dtype=np.float128
。