如何修正数据曲线拟合结果？附Python拟合代码与问题说明

1. 先确认拟合函数与数据的匹配性 #

你的示例数据是用data(x, a, b, c, d)生成的指数组合形式，但拟合函数fit_function是带平方根项的复杂指数形态，两者函数特征完全不匹配，这是拟合失效的核心原因之一。

• 如果是测试代码，需改用拟合函数生成模拟数据，确保数据形态与拟合目标一致：

# 改用拟合函数生成模拟数据（替换原data函数生成逻辑）
true_T, true_Delta_E, true_hbar_omega = 2, 3, 1.5
distribution_data = fit_function(epsilon_data, true_T, true_Delta_E, true_hbar_omega)
# 加少量噪声模拟真实数据
distribution_data += np.random.normal(0, 0.05 * np.max(distribution_data), size=distribution_data.shape)

• 如果是实际数据，要先验证数据分布是否符合fit_function的理论形态，避免用错误的模型拟合数据。

2. 优化初始猜测值p0 #

非线性拟合的初始值对迭代结果影响极大，尤其是你的拟合函数包含多个指数项，初始值不合理会导致迭代陷入局部最优或不收敛：

• 基于物理意义约束：T、Delta_E、hbar_omega均为正数，初始值需设置在合理正数区间。
• 基于数据特征估算：
  • 数据峰值对应的epsilon值可作为Delta_E的初始猜测；
  • 数据从峰值衰减至1/e的epsilon差值，可估算T的初始值；
  • 根据数据整体缩放比例，设置hbar_omega的初始值。
    示例调整：

p0 = [2, 3, 1.5]  # 对应T, Delta_E, hbar_omega的合理初始值

3. 处理数值稳定性问题 #

拟合函数中的指数运算易出现数值溢出/下溢，可通过截断指数参数优化：

def fit_function(epsilon, T, Delta_E, hbar_omega):                            
    sqrt_ratio = np.sqrt(epsilon / Delta_E)
    exp_arg1 = -(epsilon - Delta_E) / T
    exp_arg2 = (4 * np.pi * Delta_E / hbar_omega) * (sqrt_ratio - 1)
    # 截断极端指数值，防止溢出
    exp_arg2 = np.clip(exp_arg2, -50, 50)
    term1 = np.exp(exp_arg1)
    term2 = np.exp(exp_arg2)
    term3 = term2 + 1
    return term1 * term2 / term3

4. 约束参数取值范围 #

使用curve_fit的bounds参数限制参数的合理范围，避免无物理意义的结果，同时缩小迭代范围提升精度：

# 设置参数下界（全为正数）和上界（根据实际场景调整）
bounds = (0, [10, 10, 5])
popt, pcov = curve_fit(fit_function, epsilon_data, distribution_data, p0=p0, bounds=bounds, maxfev=8000)

5. 验证拟合效果 #

• 打印拟合参数popt和协方差矩阵pcov：协方差矩阵对角线元素越小，参数置信度越高；
• 绘制残差图验证：残差随机分布在0附近说明拟合效果好，有明显趋势则需调整模型或参数：

# 计算并绘制残差
residuals = distribution_data - fit_function(epsilon_data, *popt)
plt.figure()
plt.scatter(epsilon_data, residuals)
plt.axhline(y=0, color='r', linestyle='--')
plt.xlabel('动能 (ε)')
plt.ylabel('残差')
plt.title('拟合残差图')
plt.show()

内容的提问来源于stack exchange，提问作者Saya