python - SciPy curve_fit 显示直线并且不适合数据

Question

我正在尝试将一组数据拟合到 CDF 指数函数。但是，我不确定我的代码或初始参数猜测中出了什么问题，但它只会创建一条直线。数据是从 CSV 文件导入的。

#Plot Data
plt.figure(1,dpi=120)
plt.title("Cell A3")
plt.xlabel(rawdata[0][0])
plt.ylabel(rawdata[0][1])
plt.scatter(xdata,ydata,label="A3 Cell 1")



#Define Function
def func(t,lam):
    return 1 - (np.exp(-lam * t))

funcdata = func(xdata,1.17)
plt.plot(xdata,funcdata,label="Model")
plt.legend() 

#CurveFit data to model
popt, pcov = curve_fit(func,xdata,ydata,p0=(-0.64))
perr = np.sqrt(np.diag(pcov)) 

我用初始数据和曲线拟合给出的直线得到的图表图像

标签： pythonscipycurve-fitting

Answer 1

想想你的数据和你的功能。ydata 是一个相当大的值。最大值是多少

def func(t,lam):
    return 1 - (np.exp(-lam * t))

我想你会发现函数的最大值出现在 lam 接近无穷大时，函数接近 1。最大值 == 1 的函数如何拟合 1000 秒内的数据？如果您希望能够扩展到 1 以上，则需要在函数中添加更多参数。尝试

def func(t,lam,scale):
    return ( 1 - (np.exp(-lam * t)) ) * scale 

看看 scipy 是否能够更好地拟合数据。

编辑：我设法让它工作，但是，你甚至没有绘制最佳参数。为此，请查看我的带有模拟 xdata 和 ydata 的代码：

#Plot Data
import numpy as np
from scipy.optimize import curve_fit
from matplotlib import pyplot as plt

def func(t,lam,scale):
    return ( 1 - (np.exp(-lam * t)) ) * scale

xdata = np.arange(25.)
ydata = func(xdata, 1.12, 2000.)

plt.figure(1,dpi=120)
plt.title("Cell A3")
plt.xlabel(rawdata[0][0])
plt.ylabel(rawdata[0][1])
plt.scatter(xdata,ydata,label="A3 Cell 1")

#CurveFit data to model
popt, pcov = curve_fit(func,xdata,ydata,p0=[0.5, 1000.1])
plt.plot(np.arange(25),func(np.arange(25), *popt),label="Model")
plt.legend() 

输出：