为何scipy.curve_fit无法拟合指定3D多变量曲线？

问题根源 #

你的代码中，x和y是完全相同的一维数组，计算z时每个点都满足x[i]=y[i]。代入目标函数后，当x=y时，y²*(...) -x²*(...) = 0，所有z值全为0。这种情况下，无论参数a和b取何值，函数在这些点上的输出都是0，拟合问题变成欠定状态，curve_fit无法找到参数的最优解，只能返回初始猜测值，同时协方差矩阵pcov全为无穷大。

解决步骤 #

1. 生成网格数据：用np.meshgrid创建所有x和y的组合点，确保大部分点满足x≠y，让z有足够的变化量。
2. 扁平化数据：curve_fit要求自变量是一维数组，需要将网格数据展平后传入。

修改后的代码 #

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


def func(X, a, b):
    x, y = X
    return y**2*(y**2/4 - a*y/3 + b/2) - x**2*(x**2/4 - a*x/3 + b/2)


# 生成网格数据，创建所有x和y的组合
x = np.arange(0,5,0.1)
y = np.arange(0,5,0.1)
X, Y = np.meshgrid(x, y)

# 真实参数
true_a = 6
true_b = 9
# 计算带噪声的z数据（模拟真实测量场景）
Z = func((X, Y), true_a, true_b) + np.random.normal(0, 5, X.shape)

# 扁平化数据，适配curve_fit的输入要求
x_flat = X.flatten()
y_flat = Y.flatten()
z_flat = Z.flatten()

# 初始猜测
popt, pcov = curve_fit(func, [x_flat, y_flat], z_flat, p0=[10,8])

print("拟合参数：", popt)
print("协方差矩阵：\n", pcov)
print("a = ", popt[0], " +/- ", np.sqrt(pcov[0,0]))
print("b = ", popt[1], " +/- ", np.sqrt(pcov[1,1]))

# 绘制拟合结果与原始数据
ax = plt.axes(projection="3d")
# 原始数据点
ax.scatter(X, Y, Z, alpha=0.3, label='原始数据')
# 拟合曲面
Z_fit = func((X, Y), popt[0], popt[1])
ax.plot_surface(X, Y, Z_fit, cmap='viridis', alpha=0.5, label='拟合曲面')
ax.legend()
plt.show()

说明 #

• 加入少量高斯噪声模拟真实测量数据，即使不加噪声，只要x≠y的点足够多，拟合也能正常工作。
• 扁平化后的数组包含所有x和y的组合，函数输出z有足够变化，curve_fit可以通过梯度下降找到最优参数。

内容的提问来源于stack exchange，提问作者dan269