Python使用scipy实现最小二乘法曲线拟合实战

栗子

发布时间：2026-10-13| 6人浏览过

原创

本文介绍如何利用Python的scipy库进行最小二乘法曲线拟合。通过定义包含四个参数的逻辑函数，生成含噪声的测试数据，并使用optimize.leastsq函数优化参数。文章包含完整的代码示例及可视化结果，展示如何对比真实值与估计值，适合需要处理非线性数据拟合的开发者参考。

本文通过具体实例，展示如何在Python中利用最小二乘法完成曲线拟合任务，供读者参考学习。

本例不手动编写最小二乘算法，而是直接调用scipy库中已封装好的优化函数来实现。

假设存在一个包含4个参数的函数模型，具体形式如下：

接下来构造用于拟合的数据集。

import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt
def logistic4(x, A, B, C, D):
  return (A-D)/(1+(x/C)**B)+D
def residuals(p, y, x):
  A, B, C, D = p
  return y - logisctic4(x, A, B, C, D)
def peval(x, p):
  A, B, C, D = p
  return logistic4(x, A, B, C, D)
A, B, C, D = .5, 2.5, 8, 7.3
x = np.linspace(0, 20, 20)
y_true = logistic4(x, A, B, C, D)
y_meas = y_true + 0.2 * np.random.randn(len(y_true))

调用工具箱中的优化函数，执行参数优化过程。

p0 = [1/2]*4
plesq = optimize.leastsq(residuals, p0, args=(y_meas, x))
            # leastsq函数的功能其实是根据误差（y_meas-y_true）
            # 估计模型（也即函数）的参数

最后对拟合结果进行可视化绘图展示。

plt.figure(figsize=(6, 4.5))
plt.plot(x, peval(x, plesq[0]), x, y_meas, 'o', x, y_true)
plt.legend(['Fit', 'Noisy', 'True'], loc='upper left')
plt.title('least square for the noisy data (measurements)')
for i, (param, true, est) in enumerate(zip('ABCD', [A, B, C, D], plesq[0])):
  plt.text(11, 2-i*.5, '{} = {:.2f}, est({:.2f}) = {:.2f}'.format(param, true, param, est))
plt.savefig('./logisitic.png')
plt.show()