如何优化给定数据的对数模型曲线拟合效果？

1. 修正numpy.polyfit的拟合逻辑 #

你当前的polyfit还原曲线时存在公式错误，导致拟合曲线偏离数据点。正确的推导逻辑是：
通过np.polyfit(y_value, np.log10(x_value), 1)得到的关系为log10(x) = b*y + a0（其中b=p[0]，a0=p[1]），因此还原后的x值应为10^(b*y + a0)，不需要额外添加np.min(y_value)；同时你手动调整a值的操作会破坏拟合结果，应当删除。

修正后的polyfit代码：

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

x_value = np.array([30000,27850,25590,23900,22400,20470,19450,18120,17130,16180,15340,14620,13730,13400,12790,12460,12060,11760,11440,11200,10940,10780,10720,10530])
y_value = np.array([23,22,21,20,19,18,17,16,15,14,13,12,11,10,9,8,7,6,5,4,3,2,1,0])

# 正确的对数拟合与曲线还原
p = np.polyfit(y_value, np.log10(x_value), 1)
b, a0 = p[0], p[1]
x_fitted_polyfit = np.linspace(np.min(y_value), np.max(y_value), 100)
y_fitted_polyfit = 10 ** (b * x_fitted_polyfit + a0)

plt.scatter(y_value, x_value, label="zisk", color="blue", marker="x", s=30)
plt.plot(x_fitted_polyfit, y_fitted_polyfit, 'r', label='polyfit - corrected')

plt.xlabel('frekvence [Hz]')
plt.ylabel('zisk [dBm]')
plt.title('Corrected Polyfit Fit')
plt.legend()
plt.show()

2. 优化scipy.curve_fit的拟合效果 #

curve_fit需要合理的初始参数才能收敛到最优解，默认初始值[1,1]与你的数据差距过大，容易导致拟合失败。你可以根据数据范围手动估算初始参数：

• a的初始值：当y=0时，x≈10530，因此设为10530
• b的初始值：取两个点估算，比如y=0时x=10530，y=23时x=30000，代入x=a*exp(b*y)得b = ln(30000/10530)/23 ≈ 0.045

另外不要手动调整拟合得到的a值，这会引入人为误差。

优化后的curve_fit代码：

# 定义指数模型
def exp_model(y, a, b):
    return a * np.exp(b * y)

# 传入合理的初始参数
initial_guess = [10530, 0.045]
popt, pcov = curve_fit(exp_model, y_value, x_value, p0=initial_guess)
a_opt, b_opt = popt

# 生成拟合曲线
x_fitted_curve_fit = np.linspace(np.min(y_value), np.max(y_value), 100)
y_fitted_curve_fit = exp_model(x_fitted_curve_fit, a_opt, b_opt)

plt.scatter(y_value, x_value, label="zisk", color="blue", marker="x", s=30)
plt.plot(x_fitted_curve_fit, y_fitted_curve_fit, 'g', label='curve_fit - optimized')

plt.xlabel('frekvence [Hz]')
plt.ylabel('zisk [dBm]')
plt.title('Optimized Curve Fit')
plt.legend()
plt.show()

3. 加权拟合提升精度 #

如果数据的测量误差随x值增大而增加，可以使用加权最小二乘拟合，给误差小的点更高权重。比如用1/x_value作为权重：

# 加权polyfit
weights = 1 / x_value
p_weighted = np.polyfit(y_value, np.log10(x_value), 1, w=weights)
b_w, a0_w = p_weighted[0], p_weighted[1]
y_fitted_weighted = 10 ** (b_w * x_fitted_polyfit + a0_w)

plt.scatter(y_value, x_value, label="zisk", color="blue", marker="x", s=30)
plt.plot(x_fitted_polyfit, y_fitted_weighted, 'purple', label='polyfit - weighted')

plt.xlabel('frekvence [Hz]')
plt.ylabel('zisk [dBm]')
plt.title('Weighted Polyfit')
plt.legend()
plt.show()

4. 验证模型适用性 #

如果指数模型仍不能满足需求，可以尝试其他模型，比如双指数模型或幂律模型。例如幂律模型x = a*y^b + c，可以用curve_fit尝试拟合，看是否能提升拟合效果。

内容的提问来源于stack exchange，提问作者Ebrhvuv