使用 scipy curve_fit 参数数量可变

Question

我有一个拟合函数，其形式为：

def fit_func(x_data, a, b, c, N)

其中a,b,c为长度为N的列表，每一项为scipy.optimize.curve_fit()中待优化的可变参数，N为固定数，用于循环索引控制。

关注 this question 我想我可以修复 N，但我目前正在调用 curve_fit 如下：

params_0 = [a_init, b_init, c_init]
popt, pcov = curve_fit(lambda x, a, b, c: fit_func(x, a, b, c, N), x_data, y_data, p0=params_0)

我得到一个错误：lambda() 恰好采用 Q 个参数（P 给定）

Q 和 P 因我的设置方式而异。

所以：对于初学者来说，这甚至可能吗？我可以将列表作为参数传递给 curve_fit 并具有我希望的行为，其中它将列表元素视为单独的参数吗？假设答案是肯定的，那么我的函数调用哪里做错了？

Answer 1

这里的解决方案是编写一个包装函数，它接受您的参数列表并将其转换为适合函数理解的变量。这真的是必要的，因为我正在使用其他人的代码，在更直接的应用程序中，这可以在没有包装层的情况下工作。基本上

def wrapper_fit_func(x, N, *args):
    a, b, c = list(args[0][:N]), list(args[0][N:2*N]), list(args[0][2*N:3*N])
    return fit_func(x, a, b, c, N)

要修复 N，您必须在 curve_fit 中这样调用它：

popt, pcov = curve_fit(lambda x, *params_0: wrapper_fit_func(x, N, params_0), x, y, p0=params_0)

其中

params_0 = [a_1, ..., a_N, b_1, ..., b_N, c_1, ..., c_N]

Answer 2

我能够以不同的方式解决同样的问题。我使用 scip.optimize.least_squares 来求解而不是 curv_fit。我已经在 link-

下讨论了我的解决方案

Using scipy curve_fit for a variable number of parameters