You need to enable JavaScript to run this app. Python曲线拟合:如何采用相对偏差替代绝对偏差开展拟合优化
优惠活动
大模型
产品
解决方案
定价
更多

Python曲线拟合:如何采用相对偏差替代绝对偏差开展拟合优化

基于相对偏差平方和的曲线拟合实现方案

我们需要实现的优化目标本质是带权重的最小二乘问题,权重设置为每个观测值的平方倒数,对所有样本点的优化目标为:

最小化 $\sum_{i=1}^N \left( \frac{f(x_i, \text{最优参数}) - y_i}{y_i} \right)^2$

方法1:复用scipy.optimize.curve_fit接口

curve_fit本身原生支持加权最小二乘场景,不需要更换工具,只需正确配置参数即可实现需求:

  • curve_fit内置的优化逻辑为最小化 $\sum_{i=1}^N \left( \frac{f(x_i, \text{最优参数}) - y_i}{\sigma_i} \right)^2$,只要将sigma参数设置为与有效观测值等长的数组,且取值与ydata完全一致,即可完全匹配相对误差平方和的优化目标
  • 参数配置时不需要对sigma做归一化处理,因为目标函数的整体缩放不会影响最优参数的求解位置
  • 若需要计算拟合参数的协方差矩阵,可根据需求设置absolute_sigma参数,该参数仅影响协方差的置信度计算,不改变拟合参数本身的结果

代码示例

import numpy as np
from scipy.optimize import curve_fit

# 自定义待拟合模型,此处以指数模型为例
def model(x, a, b, c):
    return a * np.exp(b * x) + c

# 示例数据集
xdata = np.linspace(0, 10, 100)
ydata = 2.5 * np.exp(0.3 * xdata) + 1.2 + np.random.normal(0, 0.5, size=len(xdata))

# 预处理:过滤掉ydata为0的点,避免除零错误
valid_mask = ydata != 0
x_valid = xdata[valid_mask]
y_valid = ydata[valid_mask]

# 配置参数执行拟合
popt, pcov = curve_fit(
    model,
    x_valid,
    y_valid,
    sigma=y_valid,  # 核心配置:将每个点的权重设为1/ydata_i
    absolute_sigma=True
)

方法2:使用scipy.optimize.least_squares实现灵活自定义拟合

如果需要添加参数约束、调整鲁棒性策略,可直接使用least_squares接口,通过自定义残差向量完全控制优化目标:

  • 该方法不依赖预设的拟合函数接口,只要传入的残差向量每个元素对应一个样本点的相对偏差,求解器会自动最小化整个残差向量的平方和
  • 相比curve_fit的固定接口,该方法支持添加参数边界、切换鲁棒损失函数,更适合复杂的约束拟合场景

代码示例

from scipy.optimize import least_squares

# 定义残差函数:输入为待优化参数,输出为每个样本点的相对误差
def relative_residuals(params, x, y, model_func):
    a, b, c = params
    y_pred = model_func(x, a, b, c)
    return (y_pred - y) / y

# 初始参数猜测
x0 = [1.0, 0.1, 0.0]

# 执行优化,可按需添加参数边界约束
result = least_squares(
    fun=relative_residuals,
    x0=x0,
    args=(x_valid, y_valid, model),
    bounds=([0, -np.inf, 0], [np.inf, 0, np.inf])  # 可选:设置参数取值范围
)

# 提取拟合得到的最优参数
popt_custom = result.x

关键注意事项

  • 必须提前过滤ydata中取值为0的样本点,否则会出现除零错误,导致优化求解失败
  • 对于y值极小、相对误差天然偏大的样本点,可通过设置least_squares的loss='soft_l1'参数,在不改变整体拟合目标的前提下,降低异常大残差对全局拟合结果的牵引作用
  • 该拟合方式会对跨数量级的大、小数值样本赋予同等的拟合权重,从根本上避免大数值区间主导拟合结果的问题

内容的提问来源于stack exchange,提问作者SKPS

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.28 05:45:03