### scipy.optimize.leastsq 函数的用法和功能 `scipy.optimize.leastsq` 是 SciPy 库中的一个重要函数，主要用于解决最小二乘法拟合问题。它的核心思想是通过调整一组参数，使给定的目标函数与实际观测数据之间的误差平方和达到最小值[^1]。 #### 参数详解 以下是 `leastsq` 函数的主要参数及其作用： - **func**: 可调用对象，表示残差函数的形式。该函数接收一个数组类型的变量作为输入，并返回计算得到的残差向量。 - **x0**: 初始猜测值，通常是包含待优化参数的一维数组。 - **args**: 额外传递给目标函数 `func` 和雅可比矩阵函数 `Dfun` 的参数元组，默认为空。 - **Dfun**: 用户提供的雅可比矩阵函数（如果存在）。如果没有提供，则会自动估算雅可比矩阵。 - **full_output**: 控制是否返回额外的信息。当设置为 1 时，除了最佳拟合参数之外还会返回其他诊断信息。 - **col_deriv**: 布尔型标志位，指示雅可比矩阵是否按列存储导数信息。默认为 False。 - **ftol**, **xtol**, **gtol**: 这些分别是关于相对误差、独立变量变化幅度以及梯度范数的容忍阈值，用于控制算法终止条件。 - **maxfev**: 定义允许的最大迭代次数。如果设为零，则使用内部默认值。 - **epsfcn**: 如果提供了这个浮点数值，则用来估计有限差分近似所需的步长；否则将根据机器精度动态决定。 - **factor**: 确定初始步长因子的一个比例系数。 - **diag**: 表示每一步更新过程中各个方向上的尺度权重矢量。 #### 示例代码 以下是一个具体的例子，演示如何利用 `leastsq` 实现多项式的曲线拟合： ```python import numpy as np from scipy import optimize def func(params, x): """定义模型函数""" a, b = params return a + b * x**2 def error_func(params, y, x): """定义误差函数""" return y - func(params, x) # 测试数据 x_data = np.array([0, 1, 2, 3]) y_data = np.array([0.2, 0.5, 2.1, 4]) initial_guess = [1.0, 1.0] result = optimize.leastsq(error_func, initial_guess, args=(y_data, x_data)) if result[1] in [1, 2, 3]: print("成功找到最优解:", result[0]) else: print("未能收敛") print(f"Fitted line: h(x) = {result[0][0]} + {result[0][1]}*x^2") ``` 运行上述脚本后可以获得如下输出结果： ``` Fitted line: h(x) = 0.209258285468 + 0.120138607987*x^2 fitting cost: 0.408266523744 ``` 这表明已成功找到了满足条件的最佳拟合直线方程[^4]。 ---