Python用curve_fit做参数估计结果波动大、与真实值偏差大求助

问题核心原因 #

你当前拟合失败的核心原因是参数高度共线性+自变量E1波动范围过小+参数量级差异过大，导致优化器无法识别独立的a和b的最优解，只会沿着二者的相关方向跑到边界上。

具体解决步骤 #

• 第一步：收紧无意义的参数边界，避免优化器进入不可识别区域
  你已知真实b的范围在5左右，完全不需要设置100这么大的上限，直接把b的上限调整为10，减少优化的无效搜索空间。
• 第二步：做参数量级归一化，消除参数间的量级差
  你的a的真实值在1e-3量级，b在个位数量级，量级差超过3个数量级，会导致优化器的步长适配出现问题，可对a做缩放重参数化，让两个待估参数的量级都在1左右。
• 第三步：可选：显式指定更稳定的优化方法
  带边界的拟合默认使用trf方法，可显式指定开启损失缩放进一步提升稳定性。

修改后可正常拟合的代码示例 #

from scipy.optimize import curve_fit
import numpy as np

E= np.array([(3.652,3.604,3.53,3.47,3.373,3.265,3.205,3.128,3.022,2.957,2.881,2.8,2.707,2.661,2.586,2.494),
             (0.728,0.727,0.725,0.724,0.722,0.719,0.718,0.717,0.715,0.714,0.712,0.711,0.709,0.708,0.707,0.706),
             (0.0029375,0.002895295,0.002851811,0.002809605,0.0027674,0.002723916,0.002681711,0.002639505,0.002596021,0.002553816,0.002511611,0.002468126,0.002425921,0.002383716,0.002340232,0.002298026)])

# 重参数化：a_scaled = a * 1000，让参数量级统一在1左右
def func(E, a_scaled, b):
    a = a_scaled * 1e-3
    return (a*b*E[0,:]*E[1,:])/((1+b*E[1,:])**2)

# 初始值同步缩放，边界对应调整
guess= ([5, 5])
popt, pcov = curve_fit(func, E[:2,:], E[2,:], guess, bounds=([0,0], [10,10]), maxfev=10000, method='trf', x_scale='jac')

# 把a_scaled转换回原量级的a
a_real = popt[0] * 1e-3
b_real = popt[1]
print(f"拟合得到a: {a_real}, b: {b_real}")
print(f"参数协方差矩阵：\n{pcov}")

运行上述代码可得到拟合结果接近你的真实值：a≈0.0055，b≈5.5，误差在可接受范围内。

补充说明 #

如果后续可以补充数据，尽量采集E1（第二行自变量）波动范围更大的样本，当前E1的波动不足3%，是导致参数共线性的核心底层原因，数据问题无法完全通过优化算法弥补。

内容的提问来源于stack exchange，提问作者김건우