我正在尝试使用 scipy.optimize.curve_fit
优化数据集的对数拟合。在实际数据集上尝试之前,我编写了代码以在虚拟数据集上运行。
def do_fitting():
x = np.linspace(0, 4, 100)
y = func(x, 1.1, .4, 5)
y2 = y + 0.2 * np.random.normal(size=len(x))
popt, pcov = curve_fit(func, x, y2, p0=np.array([2, 0.5, 1]))
plt.figure()
plt.plot(x, y, 'bo', label="Clean Data")
plt.plot(x, y2, 'ko', label="Fuzzed Data")
plt.plot(x, func(x, *popt), 'r-', label="Fitted Curve")
plt.legend()
plt.show()
当然,do_fitting()
依赖于 func()
,它传递给 curve_fit
。这就是问题所在。当我传递包含 np.log
的 func()
时,即我实际想要拟合的函数,curve_fit
声明 p0
(初始条件)是最优解并立即以无限协方差返回。
下面是如果我使用非对数 func()
运行 do_fitting()
会发生什么:
def func(x, a, b, c):
return a * np.exp(x*b) + c
popt = [ 0.90894173 0.44279212 5.19928151]
pcov = [[ 0.02044817 -0.00471525 -0.02601574]
[-0.00471525 0.00109879 0.00592502]
[-0.02601574 0.00592502 0.0339901 ]]
这是当我使用对数 func()
运行 do_fitting()
时发生的情况:
def func(x, a, b, c):
return a * np.log(x*b) + c
popt = [ 2. 0.5 1. ]
pcov = inf
您会注意到 popt
的对数解等于我在上面的 中为
。这是真的,而且 p0
提供的 curve_fit
值do_fitting()pcov
是无限的,对于我尝试过的 p0
的每个值。
我在这里做错了什么?
最佳答案
问题很简单 - 因为 x
数组中的第一个值是 0,所以你取 0 的对数,等于 -inf
:
x = np.linspace(0, 4, 100)
p0 = np.array([2, 0.5, 1])
print(func(x, *p0).min())
# -inf
关于python - SciPy curve_fit with np.log 立即返回 popt = p0, pcov = inf,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32189759/