用Scipy库中least_squares函数求解变量有界的非线性最小二乘问题

最新推荐文章于 2024-08-30 10:24:36 发布

cxk_lc

最新推荐文章于 2024-08-30 10:24:36 发布

阅读量6.4k

点赞数 8

文章标签：机器学习线性代数 python

本文链接：https://blog.csdn.net/cxk_lc/article/details/120305954

版权

本文介绍了如何利用Scipy库中的least_squares函数解决有界非线性最小二乘问题。通过设置bounds参数限制函数的自变量范围，可以对数据进行更精确的拟合。示例中展示了定义拟合函数、残差函数的过程，以及如何调用least_squares进行拟合，并解释了关键参数的含义。最后，展示了拟合结果和图形，以验证拟合效果。

摘要由CSDN通过智能技术生成

最近接触到了 Scipy 中 optimize 模块的一些函数，optimize 模块中提供了很多数值优化算法，其中，最小二乘法可以说是最经典的数值优化技术了， 通过最小化误差的平方来寻找最符合数据的曲线。但是由于我这边的需求是一个有界函数的拟合，所以网上资料介绍比较多的 leastsq 函数就不太适用。

简介

首先来看一下least_squares入参：

def least_squares(
        fun, x0, jac='2-point', bounds=(-np.inf, np.inf), method='trf',
        ftol=1e-8, xtol=1e-8, gtol=1e-8, x_scale=1.0, loss='linear',
        f_scale=1.0, diff_step=None, tr_solver=None, tr_options={},
        jac_sparsity=None, max_nfev=None, verbose=0, args=(), kwargs={}):

入参相当的多，一般来说，使用least_squares函数只需要关注以下四个参数：