scipy.optimize.curve_fit不能很好地拟合数据。

Question

我正在尝试使用高斯曲线来拟合我的数据。以下是我的代码：

import numpy as np
from scipy import optimize

# The independent variable where the data is measured
x_coord = np.array([-0.1216    , -0.11692308, -0.11224615, -0.10756923, -0.10289231,
       -0.09821538, -0.09353846, -0.08886154, -0.08418462, -0.07950769,
       -0.07483077, -0.07015385, -0.06547692, -0.0608    , -0.05612308,
       -0.05144615, -0.04676923, -0.04209231, -0.03741538, -0.03273846,
       -0.02806154, -0.02338462, -0.01870769, -0.01403077, -0.00935385,
       -0.00467692,  0.        ,  0.00467692,  0.00935385,  0.01403077,
        0.01870769,  0.02338462,  0.02806154,  0.03273846,  0.03741538,
        0.04209231,  0.04676923,  0.05144615,  0.05612308,  0.0608    ,
        0.06547692,  0.07015385,  0.07483077,  0.07950769,  0.08418462,
        0.08886154,  0.09353846,  0.09821538,  0.10289231,  0.10756923,
        0.11224615,  0.11692308])

# The dependent data — nominally f(x_coord)
y = np.array([-0.0221931 , -0.02323915, -0.02414913, -0.0255389 , -0.02652465,
       -0.02888672, -0.03075954, -0.03355392, -0.03543005, -0.03839526,
       -0.040933  , -0.0456585 , -0.04849097, -0.05038776, -0.0466699 ,
       -0.04202133, -0.034239  , -0.02667525, -0.01404582, -0.00122683,
        0.01703862,  0.03992694,  0.06704549,  0.11362071,  0.28149172,
        0.6649422 ,  1.        ,  0.6649422 ,  0.28149172,  0.11362071,
        0.06704549,  0.03992694,  0.01703862, -0.00122683, -0.01404582,
       -0.02667525, -0.034239  , -0.04202133, -0.0466699 , -0.05038776,
       -0.04849097, -0.0456585 , -0.040933  , -0.03839526, -0.03543005,
       -0.03355392, -0.03075954, -0.02888672, -0.02652465, -0.0255389 ,
       -0.02414913, -0.02323915])

# define a gaussian function to fit the data
def gaussian(x, a, b, c):
    val = a * np.exp(-(x - b)**2 / c**2)
    return val

# fit the data    
popt, pcov = optimize.curve_fit(gaussian, x_coord, y, sigma = np.array([0.01] * len(x_coord)))

# plot the data and the fitting curve
plt.plot(x_coord, y, 'b-', x_coord, gaussian(x_coord, popt[0], popt[1], popt[2]), 'r:')

这张图显示拟合曲线完全错误：

我该怎么做才能获得好的拟合曲线？

- gravedigger

Answer 1

这实际上是一个很好的问题，它说明找到正确的（本地）最优解可能非常困难。

通过 p0 参数，您可以为优化例程提供提示，大致指出您期望的最优解位置。

如果您从初始猜测 [1, 0, 0.1] 开始：

# fit the data
sigma = np.array([0.01] * len(x_coord))
popt, pcov = optimize.curve_fit(gaussian, x_coord, y, sigma=sigma, p0=[1,0,0.1])

您得到以下结果：

---

注意：您强制使用curve_fit拟合无常数项的钟形曲线，这使得事情有些棘手。

如果允许偏移量d，则可得：

# define a gaussian function to fit the data
def gaussian(x, a, b, c, d):
    val = a* np.exp(-(x - b)**2 / c**2) + d
    return val

并获得以下结果：

# fit the data    
popt, pcov = optimize.curve_fit(gaussian, x_coord, y)

# plot the data and the fitting curve
plt.plot(x_coord, y, 'b-', x_coord, gaussian(x_coord, *popt), 'r:')

这张图更像是一个合理的拟合。尽管高斯分布似乎不太适合数据。

---

非常尖峰的形状表明可能拉普拉斯分布更适合：

# define a laplacian function to fit the data
def laplacian(x, a, b, c, d):
    val = a* np.exp(-np.abs(x - b) / c) + d
    return val

# fit the data    
popt, pcov = optimize.curve_fit(laplacian, x_coord, y, p0=[1,0,0.01,-0.1])

# plot the data and the fitting curve
plt.plot(x_coord, y, 'b-', x_coord, laplacian(x_coord, *popt), 'r:')

这是结果:

请问您还需要我帮忙翻译其他内容吗？

- cel