行文思路：

最小二乘法原理介绍

利用 leastsq() 函数进行最小二乘法拟合

拟合注意事项

利用curve_fit 进行最小二乘法拟合

总结：

参考文献

实现代码

一，最小二乘法拟合

最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。优化是找到最小值或等式的数值解的问题。而线性回归就是要求样本回归函数尽可能好地拟合目标函数值，也就是说，这条直线应该尽可能的处于样本数据的中心位置。因此，选择最佳拟合曲线的标准可以确定为：使总的拟合误差(即总残差)达到最小。

假设有一组实验数据(xi，yi ), 事先知道它们之间应该满足某函数关系yi=f(xi)，通过这些已知信息，需要确定函数f的一些参数。例如，如果函数f是线性函数f(x)=kx+b, 那么参数 k和b就是需要确定的值。

如果用p表示函数中需要确定的参数，那么目标就是找到一组p,使得下面的函数S的值最小：

当误差最小的时候可以理解为此时的系数为最佳的拟合状态。

scipy.optimization 子模块提供了函数最小值(标量或多维)、曲线拟合和寻找等式的根的有用算法。在optimize模块中可以使用 leastsq() 对数据进行最小二乘拟合计算。leastsq() 函数传入误差计算函数和初始值，该初始值将作为误差计算函数的第一个参数传入。计算的结果是一个包含两个元素的元组，第一个元素是一个数组，表示拟合后的参数；第二个元素如果等于1、2、3、4中的其中一个整数，则拟合成功，否则将会返回 mesg。下面是官方的文档介绍，只截取了主要的参数部分。

代码实现：

1，导入模块：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import leastsq

2，一元二次方程的参数拟合，首先创建拟合数据。

x = np.linspace(-10,10,100) # 创建时间序列

p_value = [-2,5,10] # 原始数据的参数

noise = np.random.randn(len(x)) # 创建随机噪声

y = Fun(p_value,x)+noise*2 # 加上噪声的序列

3，通过函数定义拟合函数的形式。

这里可以拟合任意的函数形式，这要能把它的表达式给出。

def Fun(p,x): # 定义拟合函数形式

a1,a2,a3 = p

return a1*x**2+a2*x+a3

4，定义残差项。

一般最小二乘法是求拟合函数和目标函数差的平方，这里之所以没有平方是应为在拟合函数的内部进行，这里不显式的表示。

def error (p,x,y): # 拟合残差

return Fun(p,x)-y

5， 进行拟合。

其中参数p0 为最小二乘法拟合的初值，初值的选取对于拟合时间和计算量影响很大，有事并对结果产生一定的影响。args() 中是除了初始值之外error() 中的所有参数的集合输入。

para =leastsq(error, p0, args=(x,y)) # 进行拟合

y_fitted = Fun (para[0],x) # 画出拟合后的曲线

返回参数为一个包含拟合后参数的元组，可以通过中括号[] 取值的方式得到。

6，完整的代码如下：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import leastsq

def Fun(p,x): # 定义拟合函数形式

a1,a2,a3 = p

return a1*x**2+a2*x+a3

def error (p,x,y): # 拟合残差

return Fun(p,x)-y

def main():

x = np.linspace(-10,10,100) # 创建时间序列

p_value = [-2,5,10] # 原始数据的参数

noise = np.random.randn(len(x)) # 创建随机噪声

y = Fun(p_value,x)+noise*2 # 加上噪声的序列

p0 = [0.1,-0.01,100] # 拟合的初始参数设置

para =leastsq(error, p0, args=(x,y)) # 进行拟合

y_fitted = Fun (para[0],x) # 画出拟合后的曲线

plt.figure

plt.plot(x,y,'r', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print (para[0])

if __name__=='__main__':

main()

最终拟合的参数结果：

[-1.99437662 5.03789895 10.00150115]

二， 使用curve_fit() 进行拟合

Note：使用 curve_fit()，主要的区别在于拟合函数的定义不同

def Fun(x, a1,a2,a3): # 定义拟合函数形式

return a1*x**2+a2*x+a3

完整的代码：

import numpy as np

import matplotlib.pyplot as plt

from scipy.optimize import curve_fit

def Fun(x,a1,a2,a3): # 定义拟合函数形式

return a1*x**2+a2*x+a3

def error (p,x,y): # 拟合残差

return Fun(p,x)-y

def main():

x = np.linspace(-10,10,100) # 创建时间序列

a1,a2,a3 = [-2,5,10] # 原始数据的参数

noise = np.random.randn(len(x)) # 创建随机噪声

y = Fun(x,a1,a2,a3)+noise*2 # 加上噪声的序列

para,pcov=curve_fit(Fun,x,y)

y_fitted = Fun(x,para[0],para[1],para[2]) # 画出拟合后的曲线

plt.figure

plt.plot(x,y,'r', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print (para)

if __name__=='__main__':

main()

拟合结果

最终的拟合结果参数为：

[-2.00309373 5.00945061 10.30565526]

三， 多项式拟合

代码实现：

def main():

x = np.linspace(-10,10,100) # 创建时间序列

a1,a2,a3 = [-2,5,10] # 原始数据的参数

noise = np.random.randn(len(x)) # 创建随机噪声

y = Fun(x,a1,a2,a3)+noise*2 # 加上噪声的序列

plt.plot(x,y)

para=np.polyfit(x, y, deg = 2)

y_fitted = Fun(x,para[0],para[1],para[2])

plt.figure

plt.plot(x,y,'ro', label = 'Original curve')

plt.plot(x,y_fitted,'-b', label ='Fitted curve')

plt.legend()

plt.show()

print(para)

if __name__=='__main__':

main()

拟合结果为：

[-2.00532192 5.01626878 10.07612899]

总结：

本文主要讲了最小二乘法拟合曲线的实现方法，使用 leastsq() 和 curve_fit()，最后讲解了多项式的拟合poly.fit(). 最小二乘法的两个拟合大体的步骤是一样的，定义拟合范式，传入拟合参数，开始拟合得出拟合结果。对于简单的拟合函数两者的差别很小，但是复杂的，需要具体的分析。文章还会继续的分析拟合结果的含义，让我们对拟合的结果有更加透彻的理解，随心拟合。

参考文献：