曲线拟合未达预期结果：基于Scipy的模型参数校准技术求助

你遇到的核心问题是非线性拟合对初始参数的选择非常敏感，scipy.optimize.curve_fit默认使用全1的初始参数，这对于你的模型和数据来说，没有引导算法收敛到正确的全局最优解，最终得到了局部最优的拟合结果。

解决方案：提供合理的初始参数猜测 #

我们可以通过分析数据和模型的特性，估算出参数a、b、c的大致范围，作为初始参数传入curve_fit：

1. 分析模型与数据的对应关系：

   • 当x=0时，模型值为a*b，而你的x=0对应的y值≈0.00528，因此a*b≈0.00528
   • 当x较大时（比如x>0.4），(a*b)/(b*x+1)趋近于0，模型主要由3*c*x²主导，代入x=0.4、y≈0.000155，可估算出c≈0.00032
   • 通过中间数据点（如x=0.1，y≈0.00063）反推，可估算出b大致在70左右，进而a≈0.00528/70≈0.000075

2. 修改后的完整代码：

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

# 定义拟合模型
def model(x,a,b,c):
    return (a*b)/(b*x+1)+3*c*x**2

# 你的数据集
x_data=[0.0, 0.006702200711821348, 0.012673613376102217, 0.01805805116486128, 0.02296065262674275, 0.027460615301376282, 0.03161908492177514, 0.03548425629114566, 0.03909479074665314, 0.06168416627459879, 0.06395092768264225, 0.0952415360565632, 0.0964823380829502, 0.11590819258911032, 0.11676250975220677, 0.18973251809768016, 0.1899603458289615, 0.2585011532435637, 0.2586068948029052, 0.40046782450999047, 0.40067753715444315]
y_data=[0.005278154532534359, 0.004670803439961002, 0.004188802888597246, 0.003796976494876385, 0.003472183813732432, 0.0031985782141146, 0.002964943046115825, 0.0027631157936632137, 0.0025870148284089897, 0.001713418196416643, 0.0016440241050665323, 0.0009291243501697267, 0.0009083385934116964, 0.0006374601714823219, 0.0006276132323039056, 0.00016900738921547616, 0.00016834735819595378, 7.829234957755694e-05, 7.828353274888779e-05, 0.00015519569743801753, 0.00015533437619227267]

# 提供初始参数猜测
initial_guess = [0.000075, 70, 0.00032]
popt, _pcov = curve_fit(model, x_data, y_data, p0=initial_guess, maxfev=100000)

# 生成拟合曲线数据
x_sample = np.linspace(0, 0.5, 1000)
y_sample = model(x_sample, *popt)

# 绘图验证
plt.scatter(x_data, y_data, color='blue', label='数据样本')
plt.plot(x_sample, y_sample, color='red', label='校准后的模型曲线')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

# 打印拟合得到的参数
print(f"拟合参数：a={popt[0]:.8f}, b={popt[1]:.2f}, c={popt[2]:.8f}")

为什么这样能解决问题？ #

非线性优化算法（比如curve_fit使用的Levenberg-Marquardt算法）是从初始参数开始迭代，寻找使残差平方和最小的参数组合。如果初始参数离全局最优解太远，算法很容易陷入局部极小值，导致拟合结果和预期不符。通过基于数据趋势估算的初始参数，我们能引导算法更快更准确地收敛到正确的最优解。

内容的提问来源于stack exchange，提问作者wemu2