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
相关产品推荐

