我有一些数据点，想找到一个拟合函数，我想累积高斯 sigmoid 函数会适合，但我真的不知道如何实现这一点。
这就是我现在所拥有的：
import numpy as np
import pylab
from scipy.optimize import curve_fit
def sigmoid(x, a, b):
y = 1 / (1 + np.exp(-b*(x-a)))
return y
xdata = np.array([400, 600, 800, 1000, 1200, 1400, 1600])
ydata = np.array([0, 0, 0.13, 0.35, 0.75, 0.89, 0.91])
popt, pcov = curve_fit(sigmoid, xdata, ydata)
print(popt)
x = np.linspace(-1, 2000, 50)
y = sigmoid(x, *popt)
pylab.plot(xdata, ydata, 'o', label='data')
pylab.plot(x,y, label='fit')
pylab.ylim(0, 1.05)
pylab.legend(loc='best')
pylab.show()
但我收到以下警告：
.../scipy/optimize/minpack.py:779: OptimizeWarning: 无法估计参数的协方差 类别=优化警告）
有人可以帮忙吗？ 我也愿意接受任何其他可能性！我只需要以任何方式拟合该数据的曲线。
您可以为参数设置一些合理的界限，例如，
def fsigmoid(x, a, b):
return 1.0 / (1.0 + np.exp(-a*(x-b)))
popt, pcov = curve_fit(fsigmoid, xdata, ydata, method='dogbox', bounds=([0., 600.],[0.01, 1200.]))
我有输出
[7.27380294e-03 1.07431197e+03]
曲线看起来像
(400,0) 处的第一个点因无用而被删除。你可以添加它，尽管结果不会改变太多......
UPDATE
请注意，边界设置为 ([low_a,low_b],[high_a,high_b])，因此我要求比例在 [0...0.01] 范围内，位置在 [600...1200] 范围内