Ниже приведен пример использования Curve_Fit от Scipy на основе линейного уравнения. Мое понимание Curve Fit в целом состоит в том, что он берет график случайных точек и создает кривую, чтобы показать «наилучшую подгонку» к ряду точек данных. Мой вопрос заключается в использовании scipy curve_fit возвращается:Объяснение возвращаемого значения Scipy Curve_Fit
«Оптимальные значения параметров так, чтобы сумма квадратов ошибки е (XData, * Popt) - ydata сведено к минимуму».
Что именно означают эти два значения на простом английском языке? Благодаря!
import numpy as np
from scipy.optimize import curve_fit
# Creating a function to model and create data
def func(x, a, b):
return a * x + b
# Generating clean data
x = np.linspace(0, 10, 100)
y = func(x, 1, 2)
# Adding noise to the data
yn = y + 0.9 * np.random.normal(size=len(x))
# Executing curve_fit on noisy data
popt, pcov = curve_fit(func, x, yn)
# popt returns the best fit values for parameters of
# the given model (func).
print(popt)