如何在Python中编写用于scipy.optimize.least_squares的误差函数

看来你在非线性拟合调优上遇到了瓶颈，我结合你给出的代码片段和实际拟合中常见的问题，给你梳理几个能快速提升拟合效果的方向：

先把你的代码补全示意（方便后续操作） #

你的温度数据有截断，我先补全常见的后续值，同时补上目标数据的占位，你替换成自己的实际数据即可：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import least_squares
from scipy.optimize import curve_fit

# 补全后的温度数据（根据截断部分推测）
temperature = [38., 40., 42., 44., 46., 48., 50., 52., 54., 56., 58., 60., 62., 64., 66., 68., 70., 71.9, 73.81, 75.69, 77.6, 79.5, 81.4]
# 替换成你的实际目标测量数据
y_data = []  

一、先确保模型函数匹配数据的内在规律 #

非线性拟合的核心从来不是调参数，而是选对模型！如果你的模型和数据趋势完全不搭，再怎么调都没用：

• 第一步先画原始数据的散点图，看清趋势：

  plt.scatter(temperature, y_data, color='darkorange', label='Raw Data')
  plt.xlabel('Temperature (°C)')
  plt.ylabel('Measured Value')
  plt.legend()
  plt.grid(alpha=0.3)
  plt.show()
  

• 根据散点趋势选对应的模型：
  • 如果是指数上升/下降：用Arrhenius类模型 def model(x, a, b): return a * np.exp(b * x)
  • 如果是饱和增长/下降：用Logistic模型 def model(x, a, b, c): return a / (1 + np.exp(-b*(x - c)))
  • 如果是有拐点的曲线：用二次/三次多项式 def model(x, a, b, c): return a*np.power(x,2) + b*x + c

二、给拟合参数一个靠谱的初始猜测 #

curve_fit和least_squares对初始参数非常敏感，瞎猜初始值很容易陷入局部最优：

• 手动根据数据估算初始值：比如饱和模型里，a大概是数据的渐近最大值/最小值，c大概是拐点对应的温度，b是斜率的大致范围
• 示例（以饱和模型为例）：

  # 手动估算初始参数p0
  p0 = [max(y_data), 0.1, np.median(temperature)]  # 渐近值、斜率、拐点温度
  # 执行拟合
  popt, pcov = curve_fit(model, temperature, y_data, p0=p0)
  

三、用least_squares实现更灵活的拟合（可选） #

如果你需要给参数加约束（比如参数必须为正），least_squares比curve_fit更实用：

# 自定义残差函数
def residuals(params, x, y):
    a, b, c = params
    return y - model(x, a, b, c)

# 初始参数
x0 = [max(y_data), 0.1, np.median(temperature)]
# 设置参数边界：比如a必须大于0，b必须大于0，c在温度范围内
bounds = ([0, 0, min(temperature)], [np.inf, np.inf, max(temperature)])
# 执行带约束的拟合
result = least_squares(residuals, x0, args=(temperature, y_data), bounds=bounds)
popt = result.x  # 拟合得到的最优参数

四、用量化指标评估拟合效果 #

别只靠眼睛看，用指标说话：

• 均方误差（MSE）：值越小越好

  mse = np.mean((model(temperature, *popt) - y_data)**2)
  

• 决定系数R²：越接近1，拟合效果越好

  ss_res = np.sum((y_data - model(temperature, *popt))**2)
  ss_tot = np.sum((y_data - np.mean(y_data))**2)
  r2 = 1 - (ss_res / ss_tot)
  

五、常见坑点排查 #

如果拟合结果还是很差，先检查这几点：

• 数据里有没有异常值？用3σ原则剔除掉偏离过大的点
• 模型是不是完全不符合数据趋势？比如数据是饱和的，但你用了线性模型
• 参数约束是不是太严？如果拟合后的参数卡在边界上，说明约束可能不合理或者初始值选得太差

内容的提问来源于stack exchange，提问作者dani reta