第一条评论:自从a*exp(b - c*x) = (a*exp(b))*exp(-c*x) = A*exp(-c*x)
, a
or b
是多余的。我会放下b
并使用:
import matplotlib.pyplot as plt
def func(x, a, c, d):
return a*np.exp(-c*x)+d
这不是主要问题。问题很简单curve_fit
当您使用默认的初始猜测(全为 1)时,无法收敛到此问题的解决方案。查看pcov
;你会看到它是inf
。这并不奇怪,因为如果c
为 1,大多数值exp(-c*x)
下溢到 0:
In [32]: np.exp(-x)
Out[32]:
array([ 2.45912644e-174, 0.00000000e+000, 0.00000000e+000,
0.00000000e+000, 0.00000000e+000, 0.00000000e+000,
0.00000000e+000, 0.00000000e+000, 0.00000000e+000,
0.00000000e+000])
这表明c
应该很小。一个更好的初步猜测是,p0 = (1, 1e-6, 1)
。然后我得到:
In [36]: popt, pcov = curve_fit(func, x, y, p0=(1, 1e-6, 1))
In [37]: popt
Out[37]: array([ 1.63561656e+02, 9.71142196e-04, -1.16854450e+00])
这看起来很合理:
In [42]: xx = np.linspace(300, 6000, 1000)
In [43]: yy = func(xx, *popt)
In [44]: plt.plot(x, y, 'ko')
Out[44]: [<matplotlib.lines.Line2D at 0x41c5ad0>]
In [45]: plt.plot(xx, yy)
Out[45]: [<matplotlib.lines.Line2D at 0x41c5c10>]