如何获取scipy curve_fit计算方差所用的参数估计值集合？

scipy的curve_fit返回的pcov是基于最小二乘拟合的渐近协方差估计，并非来自实际的参数样本集合。要获取可用于计算方差、绘制直方图的参数估计值集合，需要通过**自助法（Bootstrap）**重新采样数据并多次拟合：

步骤说明 #

• 从原始数据中重复有放回采样生成新数据集
• 对每个新数据集用curve_fit拟合，记录每次的参数估计值
• 用这些参数样本计算方差、绘制直方图

完整代码 #

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

# 原始数据
x_data = np.array([1, 2, 3, 4, 5])
y_data = np.array([2, 4, 9, 16, 25])

def function(x, a, b):
    return a * np.exp(-b*x)

# 常规拟合获取初始参数
popt, pcov = curve_fit(function, x_data, y_data)
a_init, b_init = popt

# Bootstrap生成参数样本集合
n_bootstrap = 1000  # 采样次数，次数越多结果越稳定
a_samples = []
b_samples = []

for _ in range(n_bootstrap):
    # 有放回采样数据索引
    idx = np.random.choice(len(x_data), size=len(x_data), replace=True)
    x_boot = x_data[idx]
    y_boot = y_data[idx]
    
    # 对采样数据拟合，用初始参数作为初始猜测提升稳定性
    try:
        popt_boot, _ = curve_fit(function, x_boot, y_boot, p0=popt)
        a_samples.append(popt_boot[0])
        b_samples.append(popt_boot[1])
    except RuntimeError:
        # 跳过拟合失败的情况
        continue

a_samples = np.array(a_samples)
b_samples = np.array(b_samples)

# 手动计算方差和标准差
a_var = np.var(a_samples, ddof=1)  # 样本方差
a_std = np.std(a_samples, ddof=1)
b_var = np.var(b_samples, ddof=1)
b_std = np.std(b_samples, ddof=1)

# 输出结果对比
print("常规拟合a的标准差（pcov计算）:", pcov[0,0]**0.5)
print("Bootstrap样本a的标准差:", a_std)
print("常规拟合b的标准差（pcov计算）:", pcov[1,1]**0.5)
print("Bootstrap样本b的标准差:", b_std)

# 绘制参数直方图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# a参数直方图
ax1.hist(a_samples, bins=30, edgecolor='black', alpha=0.7)
ax1.axvline(a_init, color='red', linestyle='--', label=f'初始拟合值: {a_init:.2f}')
ax1.set_xlabel('参数a的估计值')
ax1.set_ylabel('频次')
ax1.set_title('参数a的Bootstrap估计值分布')
ax1.legend()

# b参数直方图
ax2.hist(b_samples, bins=30, edgecolor='black', alpha=0.7)
ax2.axvline(b_init, color='red', linestyle='--', label=f'初始拟合值: {b_init:.2f}')
ax2.set_xlabel('参数b的估计值')
ax2.set_ylabel('频次')
ax2.set_title('参数b的Bootstrap估计值分布')
ax2.legend()

plt.tight_layout()
plt.show()

关键说明 #

• Bootstrap通过重复采样模拟参数分布，适合小样本或需要直观分布的场景
• 若拟合出现失败（RuntimeError），可调整p0参数（初始猜测）或增加采样次数
• 数据符合模型假设时，pcov计算的渐近标准差与Bootstrap样本标准差会接近

内容的提问来源于stack exchange，提问作者HAILEY RUDE