本文实例讲述了Python基于最小二乘法实现曲线拟合。分享给大家供大家参考，具体如下：
创新互联公司长期为成百上千家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为平湖企业提供专业的成都网站建设、做网站，平湖网站改版等技术服务。拥有10余年丰富建站经验和众多成功案例,为您定制开发。
这里不手动实现最小二乘，调用scipy库中实现好的相关优化函数。
考虑如下的含有4个参数的函数式：
构造数据
?
123456789101112131415
import numpy as npfrom scipy import optimizeimport matplotlib.pyplot as pltdef logistic4(x, A, B, C, D): return (A-D)/(1+(x/C)**B)+Ddef residuals(p, y, x): A, B, C, D = p return y - logisctic4(x, A, B, C, D)def peval(x, p): A, B, C, D = p return logistic4(x, A, B, C, D)A, B, C, D = .5, 2.5, 8, 7.3x = np.linspace(0, 20, 20)y_true = logistic4(x, A, B, C, D)y_meas = y_true + 0.2 * np.random.randn(len(y_true))
调用工具箱函数，进行优化
?
1234
p0 = [1/2]*4plesq = optimize.leastsq(residuals, p0, args=(y_meas, x)) # leastsq函数的功能其实是根据误差（y_meas-y_true） # 估计模型（也即函数）的参数
绘图
?
12345678
plt.figure(figsize=(6, 4.5))plt.plot(x, peval(x, plesq[0]), x, y_meas, 'o', x, y_true)plt.legend(['Fit', 'Noisy', 'True'], loc='upper left')plt.title('least square for the noisy data (measurements)')for i, (param, true, est) in enumerate(zip('ABCD', [A, B, C, D], plesq[0])): plt.text(11, 2-i*.5, '{} = {:.2f}, est({:.2f}) = {:.2f}'.format(param, true, param, est))plt.savefig('./logisitic.png')plt.show()
希望本文所述对大家Python程序设计有所帮助。
在函数拟合中，如果用p表示函数中需要确定的参数，那么目标就是找到一组p，使得下面函数S的值最小：
这种算法称为最小二乘法拟合。Python的Scipy数值计算库中的optimize模块提供了 leastsq() 函数，可以对数据进行最小二乘拟合计算。
此处利用该函数对一段弧线使用圆方程进行了拟合，并通过Matplotlib模块进行了作图，程序内容如下：
Python的使用中需要导入相应的模块，此处首先用 import 语句
分别导入了numpy, leastsq与pylab模块，其中numpy模块常用用与数组类型的建立，读入等过程。leastsq则为最小二乘法拟合函数。pylab是绘图模块。
接下来我们需要读入需要进行拟合的数据，这里使用了 numpy.loadtxt() 函数：
其参数有：
进行拟合时，首先我们需要定义一个目标函数。对于圆的方程，我们需要圆心坐标(a,b)以及半径r三个参数，方便起见用p来存储：
紧接着就可以进行拟合了， leastsq() 函数需要至少提供拟合的函数名与参数的初始值：
返回的结果为一数组，分别为拟合得到的参数与其误差值等，这里只取拟合参数值。
leastsq() 的参数具体有：
输出选项有：
最后我们可以将原数据与拟合结果一同做成线状图，可采用 pylab.plot() 函数：
pylab.plot() 函数需提供两列数组作为输入，其他参数可调控线条颜色，形状，粗细以及对应名称等性质。视需求而定，此处不做详解。
pylab.legend() 函数可以调控图像标签的位置，有无边框等性质。
pylab.annotate() 函数设置注释，需至少提供注释内容与放置位置坐标的参数。
pylab.show() 函数用于显示图像。
最终结果如下图所示：
用Python作科学计算
numpy.loadtxt
scipy.optimize.leastsq
很多业务场景中，我们希望通过一个特定的函数来拟合业务数据，以此来预测未来数据的变化趋势。(比如用户的留存变化、付费变化等)
本文主要介绍在 Python 中常用的两种曲线拟合方法：多项式拟合 和 自定义函数拟合。
通过多项式拟合，我们只需要指定想要拟合的多项式的最高项次是多少即可。
运行结果：
对于自定义函数拟合，不仅可以用于直线、二次曲线、三次曲线的拟合，它可以适用于任意形式的曲线的拟合，只要定义好合适的曲线方程即可。
运行结果：
