Warum erstellt scipy.optimize.curve_fit keine optimale Linie für meine Punkte?

Question

Ich habe eine Reihe von Datenpunkten, (x und y im Code unten), und ich versuche, eine lineare Linie der besten Passform durch meine Punkte zu erstellen. Ich benutze scipy.optimize.curve_fit. Mein Code erzeugt eine Linie, aber keine Linie der besten Anpassung. Ich habe versucht, die Funktionsmodellparameter zu geben, die ich für meinen Gradienten und für meinen Achsenabschnitt verwende, aber jedes Mal erzeugt es exakt dieselbe Linie, die nicht zu meinen Datenpunkten passt.

Die blauen Punkte meine Datenpunkte die rote Linie werden sollen montiert werden:

Wenn jemand darauf hinweisen könnte, wo ich falsch werde würde ich sehr dankbar sein:

import numpy as np 
import matplotlib.pyplot as mpl 
import scipy as sp 
import scipy.optimize as opt 

x=[1.0,2.5,3.5,4.0,1.1,1.8,2.2,3.7] 
y=[6.008,15.722,27.130,33.772,5.257,9.549,11.098,28.828] 
trialX = np.linspace(1.0,4.0,1000)       #Trial values of x 

def f(x,m,c):          #Defining the function y(x)=(m*x)+c 
    return (x*m)+c 

popt,pcov=opt.curve_fit(f,x,y)      #Returning popt and pcov 
ynew=f(trialX,*popt)             

mpl.plot(x,y,'bo') 
mpl.plot(trialX,ynew,'r-') 
mpl.show() 

Answer 1

Sie könnten alternativ numpy.polyfit verwenden, um die Zeile mit der besten Anpassung zu erhalten:

import numpy as np 
import matplotlib.pyplot as mpl 

x=[1.0,2.5,3.5,4.0,1.1,1.8,2.2,3.7] 
y=[6.008,15.722,27.130,33.772,5.257,9.549,11.098,28.828] 
trialX = np.linspace(1.0,4.0,1000)       #Trial values of x 

#get the first order coefficients 
fit = np.polyfit(x, y, 1) 

#apply 
ynew = trialX * fit[0] + fit[1]            

mpl.plot(x,y,'bo') 
mpl.plot(trialX,ynew,'r-') 
mpl.show() 

Hier ist die Ausgabe:

Answer 2

EDIT: Dieses Verhalten ist nun in der aktuellen Version von scipy zu machen .curve_fit ein bisschen mehr narrensicher gepatcht:

https://github.com/scipy/scipy/issues/3037

---

Für einige Grund, .curve_fit möchte wirklich die Eingabe ein numpy Array sein und wird Ihnen fehlerhafte Ergebnisse geben, wenn Sie es eine reguläre Liste übergeben (IMHO ist dies ein unerwartetes Verhalten und kann ein Fehler sein). Ändern Sie die Definition von x zu:

x=np.array([1.0,2.5,3.5,4.0,1.1,1.8,2.2,3.7]) 

Und Sie erhalten:

Ich vermute, dass die seit m*x passiert, wo m eine ganze Zahl ist und x eine Liste erzeugen m Kopien diese Liste, klar nicht das Ergebnis, das Sie gesucht haben!