Python非线性curve_fit拟合效果不佳，求参数优化及绘图建议

我来帮你排查这个拟合效果不佳的问题～从你的代码和数据来看，核心问题大概率是curve_fit默认的初始参数和无约束的参数范围导致拟合跑偏，结合你的数据趋势，给你几个具体的优化方案：

1. 给拟合算法设置合理的初始参数（p0） #

curve_fit默认会用[1,1,1]作为参数初始值，但你的数据有明显的趋势：当baskets（x值）越大，scaling_factor（y值）越接近90-95的上限，而x很小时y趋近1.4。你的模型a - b*np.exp(c*x)要符合这个趋势的话：

• a应该是y的渐近上限（约95左右）
• b应该是a减去最小y值（大概95-1.4≈93）
• c必须是负数（这样x增大时，exp(c*x)趋近0，y趋近a）

给算法一个接近真实解的起点，能大大提升拟合成功率。

2. 添加参数边界约束（bounds） #

为了避免拟合出不符合逻辑的参数（比如c变成正数，导致y随x增大而下降，完全违背你的数据趋势），可以给每个参数设置合理的范围：

• a：80-100（符合数据的上限区间）
• b：正数（保证b*exp(c*x)是正数，y不会超过a）
• c：负数（保证趋势是x增大y趋近a）

3. 优化后的完整代码 #

import matplotlib
matplotlib.use('Qt4Agg')
import matplotlib.pyplot as plt
import numpy as np
from scipy.optimize import curve_fit

def func(x, a, b, c):
    return a - b * np.exp(c * x)

# 原始数据
baskets = np.array([475, 108, 2, 38, 320])
scaling_factor = np.array([95.5, 57.7, 1.4, 21.9, 88.8])

# 设置初始参数：贴合数据趋势的初始猜测
p0 = [95, 90, -0.01]
# 设置参数边界：限制参数在合理范围内
bounds = ([80, 1, -np.inf], [100, 100, -0.001])

# 带初始参数和边界的拟合
popt, pcov = curve_fit(func, baskets, scaling_factor, p0=p0, bounds=bounds)
print("优化后的参数:", popt)
print("协方差矩阵:\n", pcov)

# 生成拟合曲线数据（用vectorized调用代替列表推导，更高效）
basket_cont = np.linspace(min(baskets), max(baskets), 50)
fitted_data = func(basket_cont, *popt)

# 美化绘图，增加可读性
fig1 = plt.figure(1)
plt.scatter(baskets, scaling_factor, s=20, label='原始数据点')
plt.plot(basket_cont, fitted_data, 'r-', linewidth=2, label='拟合曲线')
plt.xlabel('Baskets')
plt.ylabel('Scaling Factor')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

额外建议：尝试更匹配的模型 #

如果调整参数后拟合效果还是不够理想，可以考虑更换模型。你的数据呈现饱和增长的趋势，逻辑斯蒂（Sigmoid）模型可能更贴合：

def sigmoid_func(x, a, b, c):
    # a是饱和上限，b是增长速率，c是中点x值
    return a / (1 + np.exp(-b*(x - c)))

同样给这个模型设置合理的p0和bounds，拟合效果可能会更好。

内容的提问来源于stack exchange，提问作者DD DD