如何用Python拟合数据求参数

介绍

在科学研究和数据分析中，我们常常需要通过数学模型来表征实验或观测数据。而拟合是一种常用的方法，它通过找到最合适的参数组合来使得模型与实验数据最为吻合。在本文中，我们将介绍如何用Python编程语言实现数据拟合，并通过一个简单的例子来说明具体操作。

最小二乘法

常见的拟合方法有最小二乘法（Least Squares Method）。最小二乘法是通过最小化误差平方和的方法来得到最佳拟合参数的。对于一个数据点$(x_i,y_i)$,若我们自行拟定模型并且有模型的假设函数$f(x_i,p)$，则有一组拟合参数$p$（通常用向量表示）。那么，我们定义拟合误差$ e_{i}$为:
$$e_i=f(x_i,p)-y_i$$
则，误差平方和$S$为：
$$S=\sum _{i=1}^n{e}_i^2$$
我们的目标就是找到一组参数$p$，使得$S$最小，也就是通过最小化拟合误差平方和来得到最佳的拟合结果。

实现方法

在Python中，我们可以借助 SciPy 库来实现数据的拟合。SciPy 是一个高效的科学计算库，其中拟合函数可通过其optimize模块中的 least_squares 方法来实现。下面以正弦函数为例，来演示如何求取函数参数并进行数据拟合。

数据准备

首先，我们需要准备一组数据点。这里我们使用NumPy库生成了包含噪声的正弦曲线，作为模型拟合的数据集。

import numpy as np

# 设定横坐标数据
x = np.linspace(-2*np.pi, 2*np.pi, 100)

# 生成包含正弦函数的数据，添加随机噪声
y = 2.5 * np.sin(1.5*x) + 1.5 + np.random.randn(len(x))

拟合

接下来，我们定义正弦函数假设函数和误差函数，然后利用 SciPy 的 optimize 模块中的 least_squares 方法进行拟合。

from scipy.optimize import least_squares

# 定义正弦函数假设函数
def fun(x, p):
    return p[0] * np.sin(p[1] * x) + p[2]

# 定义误差平方和函数
def error_fun(p):
    return fun(x, p) - y

# 初始参数猜测[振幅a, 频率ω, 偏移量c]
p0 = [1, 1, 1]

# 拟合数据
res_lsq = least_squares(error_fun, p0, loss='soft_l1', f_scale=0.1)

# 输出拟合结果
print(res_lsq)

结果展示

得到拟合结果后，我们可以使用 Matplotlib 库将原始数据和拟合曲线进行可视化。下图中，蓝色的曲线为原始的带噪声的数据，红色的曲线为拟合出的正弦曲线。

import matplotlib.pyplot as plt

# 绘制原始数据和拟合曲线
plt.plot(x, fun(x, res_lsq.x), 'r-', label='fit curve')
plt.plot(x, y, 'b.', label='data')
plt.legend()
plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qN5QYIlh-1688319050202)(https://cdn.jsdelivr.net/gh/JayCXY/blogassets/img/LearningNote/Python%E6%8B%9F%E5%90%88%E6%9F%A5%E6%89%BE%E6%B1%82%E5%8F%82%E6%95%B0/fit-lsq.png)]

结论

Python提供了很多科学计算库，如NumPy、SciPy、Matplotlib等，让我们在实现数据拟合时非常方便。本文演示了最小二乘法的实现，并以正弦函数为例子，展示了如何利用SciPy的优化函数least_squares进行参数拟合。通过本文的学习，将为您在进行科学研究及数据分析中的拟合问题提供参考。

最后的最后

本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。

对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。

🧡AI职场汇报智能办公文案写作效率提升教程 🧡 专注于AI+职场+办公方向。
下图是课程的整体大纲


下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具

🚀 优质教程分享 🚀

• 🎄可以学习更多的关于人工只能/Python的相关内容哦！直接点击下面颜色字体就可以跳转啦！