我手头的问题：我正在使用scipy curve_fit拟合一条曲线（https://docs.scipy.org/doc/scipy/reference/ generated/scipy.optimize.curve_fit.html https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html）但在许多情况下，为此类曲线估计的参数是指局部许多参数之一"local"最小值与否"global"最低限度。现在考虑到如何，这是可以预料的curve_fit被设计。尽管如此，我确实需要我的全局最低限度。
为了找到它，我最初的预感是乘以初始起点，运行多个curve_fit实例并选择拟合误差最低的一个，但我个人的初始猜测估计会受到许多偏差的影响（组合的数量也可能相当大，这会对性能产生不利影响）。
您碰巧知道如何进行更好、更快和/或方法上更合理的方法吗？ （他们不需要通过最小二乘法，如果需要的话我可以构建临时的东西）
有几种可能的方法。一种方法是对参数空间进行“强力”搜索，以找到局部求解器的候选起点curve_fit。另一种方法是使用全局求解器，例如差分进化。当然，这两个方法都比单个方法慢得多curve_fit，但他们的目标确实是找到“全局最小值”。之内scipy.optimize，这些方法是brute and differential_evolution， 分别。应该注意的是，这些都不是actually全局优化器，因为它们都需要所有参数的搜索空间的上限和下限。尽管如此，在这些边界内，他们确实尝试找到最佳结果，而不仅仅是接近起始值的局部最小值。
一个常见的方法是使用brute每个参数都采用中等大小的步长，然后选取其中最好的十个并使用 Levenberg-Marquardt（来自leastsq，如所用curve_fit）从每一个开始。同样，您可以使用differential_evolution然后精炼。
你可能会发现lmfit (https://lmfit.github.io/lmfit-py https://lmfit.github.io/lmfit-py）很有帮助，因为它允许您设置一次模型并在求解器之间切换，包括brute, differential_evolution, and leastsq。 Lmfit 还可以轻松修复某些参数或设置某些参数的上限/下限。它还提供了模型构建和曲线拟合的更高级别接口，以及探索参数置信区间的方法。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
