多项式拟合数据时动态扩展函数与生成任意数量参数的实现问题

核心思路 #

利用Python的可变位置参数*args接收任意数量的拟合参数，不需要手动逐个定义a0~aN，每次迭代时动态生成对应基函数数量的拟合函数即可完美适配你的需求。

修正后可直接运行的代码 #

import numpy as np
from scipy.optimize import curve_fit

x = np.linspace(0, 2*np.pi, num=10000) # 输入x数据集
y = np.sin(x) # 待拟合的目标y数据集
error_threshold = 0.0001 # 拟合精度阈值
max_order = 1000 # 最大支持的基函数数量

for N in range(1, max_order + 1): # N为当前迭代使用的基函数数量
    # 动态生成当前阶数的拟合函数
    def current_fit_func(x, *params):
        # params自动接收N个拟合参数，无需手动定义
        param_array = np.array(params)
        # 生成当前阶数的基函数值，可替换为你自定义的H系列函数计算逻辑
        H_array = np.array([x**i for i in range(N)])
        # 加权求和得到拟合结果，维度广播适配x的形状
        return np.sum(param_array[:, np.newaxis] * H_array, axis=0)
    
    # 传入和当前参数数量匹配的初始值，必须传p0让curve_fit识别参数数量
    init_params = np.zeros(N)
    popt, pcov = curve_fit(current_fit_func, x, y, p0=init_params)
    
    # 判断是否满足精度要求
    max_param_std = np.max(np.sqrt(np.diag(pcov)))
    if max_param_std < error_threshold:
        print(f"拟合完成，共使用{N}个基函数，最优参数：\n{popt}")
        break

注意事项 #

• 替换基函数仅需要修改H_array的生成逻辑，适配你自己的H0~H(N-1)计算规则即可，其他部分无需改动。
• 你提到的固定剩余参数的方案也可实现，但上述动态生成函数的方案逻辑更简洁，无额外开销，完全适配20~1000阶的使用场景。
• 原代码的几个错误点已经修复：
  • 补充了参数和基函数的加权求和逻辑，输出形状和y匹配
  • 增加了初始参数p0的传入，让curve_fit可以自动识别当前迭代的参数数量
  • 标准差判断使用最大值聚合，避免布尔数组判定错误

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