scipy2.0--optimize优化1.0：least_squares最小二乘法拟合

利用最小二乘法的做法：当自变量取相同的位置，数据点函数值-拟合曲线的函数值，使差值最小，确定理论拟合曲线。
利用此方法可以拟合任意形式的曲线：直线，二次函数、log函数等等

'''
scipy--optimize优化1.0：least_squares最小二乘法拟合
2020.5.9
'''
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import least_squares, leastsq

xi = np.linspace(-1,1,10)  #生成间隔相同的10个数据
yi = 2*xi + np.random.rand(10)  #产生y的数据，并加上一些噪声

#拟合 y = kx+b
def fun(p,x,y):  # 损失函数：计算误差
    k,b = p  #p为数组array，迭代初值
    return y-(k*x+b)     #做二乘法时需要变成误差的最小值：原函数值-预测函数值

# least_squares方法
c = least_squares(fun,[1,0],args=(xi,yi))   #fun损失函数（误差；使其最小化），迭代初值p=[k,b]为[1，0]，args=(xi,yi)传递数据给fun
print(c)   # 返回键值
print(c.get('x'))   # 提取拟合结果(‘x’键的值)

# leastsq方法
# c = leastsq(fun,[1,0],args=(xi,yi))   #fun损失函数（误差），迭代初值p=[k,b]为[1，0]，args=(x