### Python `curve_fit` 函数用于多变量拟合 在Python中，`scipy.optimize.curve_fit` 可以用来执行多变量数据的非线性最小二乘数拟合。此功能允许指定一个模型函数以及观测到的数据集来估计最佳匹配输入数据的最佳参数集合。 对于多变量情况下的应用实例，假设有一个依赖于两个独立变量 \(x_1\) 和 \(x_2\) 的响应变量 \(y\) ，可以定义一个多维数组作为自变量传递给 `curve_fit()` 。下面是一个具体的例子： #### 定义目标函数 为了适应多个特征的情况，需要创建接受额外维度作为其输入的目标函数。这里展示了一个简单的二次多项式方程的例子，它接收两组不同的X值并返回预测Y值。 ```python import numpy as np from scipy.optimize import curve_fit def func(X, a, b, c): # X is an array of shape (N, M) where N is the number of samples and M is the number of features. x1 = X[:, 0] x2 = X[:, 1] return a * x1 + b * x2 + c ``` #### 创建模拟数据 接下来构建一些合成数据来进行测试。这些数据将被用作训练样本以找到最优系数向量 `[a,b,c]`. ```python np.random.seed(0) # Generate some test data with noise added to it. n_samples = 50 x1_data = np.linspace(-10, 10, n_samples) x2_data = np.sin(x1_data) # Just another feature that correlates non-linearly with x1. # Combine into one matrix for convenience when passing to our function later on. X_data = np.column_stack((x1_data, x2_data)) # True parameter values used during generation; these are what we hope to recover via fitting. true_params = [2.5, -1.3, 0.8] # Add Gaussian noise around true relationship defined by 'func'. noise_level = 0.5 y_data = func(X_data, *true_params) + np.random.normal(scale=noise_level, size=n_samples) ``` #### 执行曲线拟合 现在有了准备好的数据之后就可以调用 `curve_fit` 来寻找最接近真实关系的最佳参数组合了。 ```python popt, pcov = curve_fit(func, X_data, y_data, maxfev=100000)[^1] print("Estimated parameters:", popt) print("Covariance of estimated parameters:\n", pcov) ``` 上述代码片段展示了如何利用 `curve_fit` 进行多变量拟合的过程[^2]。通过这种方式可以获得未知参数的良好估算，并且还可以得到协方差矩阵以便进一步分析不确定性等问题。