为什么 Scipy 的 curve_fit 没有给出以下问题的正确结果？

Question

代码：

from scipy.optimize import curve_fit
import numpy as np
from numpy import *


def func(x, a, b): 
    return ff(x,a,b) 


ff= lambda x,a,b: eval("1/(a*x+b)")

xdata = [1 ,2, 4, 6, 8, 10]
ydata = [0.22, 0.1, 0.06, 0.04, 0.03, 0.024]

popt, pcov = curve_fit(func, xdata, ydata)
print('\n', '[a b] for the best fit =    ', popt,'\n')

运行时会给出

 [a b] for the best fit =     [ 4.62673137 -0.04794652]

同时根据我的科学计算器（或通过手动求解），答案应该是：

 [a b] for the best fit =     [ 0.9232 4.05396]

我反复测试了这个程序，这不是唯一一个没有提供正确结果的例子。

Answer 1

我检查过你的计算：

import matplotlib.pyplot as plt
plt.scatter(xdata, ydata)
plt.scatter(xdata, func(np.array(xdata), 4.62673137, -0.04794652), c='r')
plt.scatter(xdata, func(np.array(xdata), 0.9232, 4.05396), c='g')
plt.show()

并发现 curve_fit() 给出了很好的拟合参数。问题出在您的其他解决方案上。

建议：

不要使用 from X import *。在某些情况下，它使代码极难管理。

如果不需要，请不要使用 eval()。在这种情况下：

def func(x, a, b):
    return 1. / (a * x + b)

更短更清晰。

为什么 Scipy 的 curve_fit 没有给出以下问题的正确结果？

Why doesn't Scipy's curve_fit give the correct result for the following problem(s)?

python

scipy

least-squares

scipy-optimize

建议：