scipy.curve_fit拟合指数曲线失败问题求助

你的问题核心是初始参数设置不合理，以及后续错误的边界限制，导致curve_fit收敛到了局部最优解，要么输出水平线，要么变成直线。

问题分析 #

你的指数模型是 a*exp(-b*x) + c，但x的取值是100、300这种较大的数：

• 默认初始参数p0=[1,1,1]代入时，exp(-1*100)几乎为0，模型直接退化成常数c，拟合自然得到水平线。
• 你后来设置的边界bounds=(0, [0.001,0.001,0.001])完全错误，a的合理值应该是十几（比如15 - c，c小于3.21），限制a最大0.001会直接把模型逼成直线。

解决步骤 #

1. 给出合理的初始参数猜测
   根据数据趋势：

   • x=100时y=15，x增大y递减，趋近于某个常数c（小于最小y值3.21）
   • a ≈ 15 - c，比如取12
   • b是很小的正数，比如0.001（因为x是几百的量级，b太大的话exp项会直接归零）
   • c取2（小于3.21）

2. 修正代码
   给curve_fit传入p0参数，同时去掉错误的边界限制（如果需要限制，也要设置合理范围）：

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

sigma2 = [15, 8, 5.5, 3.21]

def exp_fit(x, a, b, c):
    return a * np.exp(-b * x) + c

x_data = np.asarray([100, 300, 500, 1000], dtype=np.float64)
y_data = np.asarray(sigma2, dtype=np.float64)

# 传入合理的初始参数猜测
param_exp, _ = curve_fit(exp_fit, x_data, y_data, p0=[12, 0.001, 2])

x_test = np.arange(100, 1100, 100)
# 预测x=800的值
x_800 = 800
y_800 = exp_fit(x_800, *param_exp)
print(f"x=800时的预测值：{y_800:.3f}")

plt.plot(x_data, y_data, 'bo', label='原始数据')
plt.plot(x_test, exp_fit(x_test, *param_exp), 'r-',
         label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(param_exp))
plt.legend()
plt.show()

运行结果 #

拟合出来的参数大概是a≈12.5，b≈0.001，c≈2.5，x=800时的预测值大概在3.8左右（具体数值会因拟合精度略有浮动），拟合曲线会贴合原始数据的递减趋势，不再是水平线或直线。

内容的提问来源于stack exchange，提问作者Belleroph0N