为何scipy.curve_fit与TI-84的幂律拟合参数结果存在差异？

你遇到的scipy curve_fit和TI-84 PwrReg的指数差异，核心原因是两种工具采用的拟合策略完全不同，具体分以下几点：

1. 拟合目标函数的本质区别 #

• scipy的curve_fit默认使用非线性最小二乘法，直接最小化原始数据的残差平方和：$\sum (y_i - a x_i^b)2$
• TI-84的PwrReg默认是对数转换后的线性最小二乘法：先对x和y取对数，将幂律模型转换为线性模型$\ln y = \ln a + b \ln x$，再最小化对数空间的残差平方和：$\sum (\ln y_i - (\ln a + b \ln x_i))^2$

这两种方式的权重逻辑差异极大：原始空间的拟合会给y值大的点更高权重（比如你的数据点(0.117, 260.07)，在原始拟合中残差平方的影响远大于对数空间），而对数转换后所有点的权重相对均衡。你数据里第一个点的y值远高于同x区间的其他点，这是指数差异的关键诱因。

2. 拟合算法与初始值的差异 #

• scipy的curve_fit默认用Levenberg-Marquardt算法，初始参数默认是[1, 1]，若数据非线性特征明显，可能收敛到局部最优解（不过你的数据用默认初始值结果稳定）
• TI-84的PwrReg可能采用了不同的初始值策略，比如先通过对数拟合得到初始参数，再做微调，或者直接固定输出对数线性拟合的结果。

3. 验证方法 #

你可以手动验证两种拟合方式的结果：

import numpy as np
from scipy.optimize import curve_fit

xdat = [0.117, 0.241, 0.782, 0.734, 1.275, 1.192, 1.483, 0.131, 0.279, 0.453, 1.128, 0.928, 2.197]
ydat = [260.07, 85.82, 87.71, 124.57, 32.35, 80.5, 31.86, 55.36, 44.8, 27.28, 51.21, 53.77, 43.58]

# 对数转换线性拟合
ln_x = np.log(xdat)
ln_y = np.log(ydat)
b, ln_a = np.polyfit(ln_x, ln_y, 1)
a = np.exp(ln_a)
print(f"对数拟合结果：a={a:.6f}, b={b:.6f}")

运行后会得到和TI-84几乎一致的结果（a≈52.24，b≈-0.31），直接验证了拟合策略的差异是核心原因。

如果需要让scipy的curve_fit得到和TI一致的结果，可以指定初始参数为对数拟合的结果；反之，若要让TI得到scipy的结果，需要确认TI是否支持非线性最小二乘的幂律拟合（大部分计算器默认都是对数转换法）。

内容的提问来源于stack exchange，提问作者TCB