如何在原始尺度下使用scipy.optimize.curve_fit拟合非近1数值？

1. 原始尺度下拟合完全可行 #

数值范围差异导致拟合失败，本质是优化器计算梯度、残差时出现数值精度问题，并非不能在原始尺度下完成拟合。你已经提供了合理的p0初始参数，这是关键前提，在此基础上调整优化器参数就能解决问题。

2. 替代diag的参数：x_scale #

你提到的diag是旧版本scipy.optimize.least_squares的参数，新版本中已被**x_scale**替代。curve_fit可通过关键字参数将其传递给底层的least_squares（仅当method设为trf或dogbox时生效，这两个方法默认调用least_squares）。

代码示例 #

假设你的拟合模型为model_func(x, a, b)，原始数据为x_data（0_{100e-12）和`y_data`（0}1e9），调用方式如下：

from scipy.optimize import curve_fit

def model_func(x, a, b):
    # 替换为你的实际模型，比如非线性模型 a*exp(b*x) 等
    return a * x + b

# 原始尺度数据
x_data = ...  # 你的x数据集
y_data = ...  # 你的y数据集
p0 = [1e21, 0]  # 你已提供的合理初始参数

# 用x_scale缩放参数空间，抵消数据量级差异
# x_scale长度需与参数数量一致，每个值对应对应参数的尺度因子
params, pcov = curve_fit(
    model_func,
    x_data,
    y_data,
    p0=p0,
    method='trf',
    x_scale=[1e21, 1e9]  # 替换为匹配你参数量级的因子
)

x_scale的作用原理 #

该参数会对优化过程中的参数进行缩放，让每个参数的变化幅度在数值上接近1，避免因参数或数据量级差异过大导致的数值不稳定，效果和手动缩放数据类似，但无需修改原始数据本身。

其他可选优化方案 #

• 若x_scale效果不佳，可尝试设置loss='soft_l1'或loss='huber'，这类鲁棒损失函数能降低极端残差对拟合的影响，提升稳定性。
• 确保模型参数的初始值p0量级合理，比如模型包含exp(k*x)且x为1e-11量级时，k的初始值应设为1e11左右，避免计算时出现下溢/上溢。

内容的提问来源于stack exchange，提问作者user171780