Я пытаюсь экспоненциально подгонять некоторые данные, но не могу принудить scipy.optimize.curve_fit
, чтобы дать мне приятный результат.Неверная экспоненциальная подгонка с `scipy.optimize.curve_fit`
Я свел свой код на пример ниже, включая эмпирически полученное руководство, соответствующее данным.
import matplotlib.pylab as plt
import numpy
import scipy.stats
x = [25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42,
43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
61, 62, 63, 64]
y = [9, 9, 10, 10, 10, 10, 11, 11, 11, 11, 12, 12, 12, 12, 13, 13, 13, 14, 14,
14, 14, 15, 15, 16, 16, 17, 17, 18, 19, 20, 21, 22, 24, 25, 27, 30, 31,
32, 37, 37]
def fitting_function(x, a, b, c):
return a * numpy.exp(b * x) + c
plt.plot(x, y, 'o', label='Original data')
OptimalValues, Covariance = scipy.optimize.curve_fit(fitting_function, x, y)
plt.plot(x, fitting_function(x, *OptimalValues), '-',
label='Fitted Curve (%0.2e*e^%sx+%0.2e)' % (OptimalValues[0],
OptimalValues[1],
OptimalValues[2]))
ManualFit = [0.1 * numpy.exp(0.09 * i) + 8 for i in x]
plt.plot(x, ManualFit, '-', label='Manual Fit (%s*e^%sx+%s)' % (0.1, 0.09, 8))
plt.legend(loc='best')
plt.show()
Согласно другим ответам здесь на переполнение стека очевидным решением является предоставление curve_fit
с разумной первоначальной догадке. Если я могу это сделать, поставив следующие строки в соответствующем месте моего кода (строки 16 и 17) переводчик жалуется на ValueError
, потому что это как-то пытается транслировать guess
к len(x)
или len(y0
(т.е. операнды не могут передаваться вместе с формы (0) (40).
guess = (0.1, 0.1, 10)
OptimalValues, Covariance = scipy.optimize.curve_fit(fitting_function, x, y,
p0=guess)
Как я могу получить scipy.optimize.curve_fit
дать мне содержательный выход в этом случае?
Спасибо за подсказку, что было не совсем очевидно, до сих пор ... – Habi