Python中y=ax+b模型最小二乘拟合curve_fit报错求助

问题根源 #

1. 未定义拟合函数func：你没有提供func的具体实现，curve_fit依赖该函数计算模型预测值，若函数未定义或返回None，就会触发NoneType与float无法相减的错误。对于y=ax+b模型，func需接收自变量x和参数a、b，返回a*x + b的计算结果。
2. 错误处理curve_fit返回值：curve_fit会返回两个结果——最优参数数组和协方差矩阵，直接将结果赋值给w会导致w是包含两个元素的元组，后续传参时必然出错。
3. 函数调用时未解包参数：即使参数获取正确，直接传递w给func会导致参数不匹配，需用*w解包数组中的a和b。

修正后的完整代码 #

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

# 定义y=ax+b拟合函数
def func(x, a, b):
    return a * x + b

# 转换输入数据（假设time1_list、phi1_list为已有300元素的列表）
xdata = np.array(time1_list)
ydata = np.array(phi1_list)

# 生成拟合曲线的自变量区间
x_lin = np.linspace(0, xdata.max(), 10)

# 参数初始猜测值
x0 = np.array([6, 5])

# 获取最优参数，忽略协方差矩阵（若需要可保留为cov变量）
w, _ = curve_fit(func, xdata, ydata, x0)
a_opt, b_opt = w  # 提取最优参数a和b
print(f"最优参数a: {a_opt}, 最优参数b: {b_opt}")

# 生成拟合曲线数据
y_model = func(x_lin, *w)

# 可视化结果
plt.plot(xdata, ydata, "ko", label="Data")
plt.plot(x_lin, y_model, "k--", label="Fit")
plt.title("Least squares regression")
plt.legend(loc="upper left")
plt.show()

关键修复说明 #

• 新增func函数的定义，明确实现线性模型的计算逻辑；
• 使用w, _ = curve_fit(...)正确接收返回值，_用于忽略不需要的协方差矩阵；
• 通过*w解包参数，确保func能正确接收a和b；
• 提取并打印最优参数a_opt和b_opt，直接得到你需要的拟合结果。

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