Scipy.curve_fit（）与Matlab fit（）加权非线性最小二乘法

[poster]

我有一个Matlab参考例程，我试图将其转换为numpy / scipy。我遇到了无法在Python中解决的曲线拟合问题。因此，这是一个简单的示例，演示了该问题。数据是完全综合的，不是问题的一部分。

假设我正在尝试拟合嘈杂数据的直线模型-

x = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] y = [0.1075, 1.3668, 1.5482, 3.1724, 4.0638, 4.7385, 5.9133, 7.0685, 8.7157, 9.5539] 对于Matlab中的非加权解决方案，我将编写代码

g = @(m, b, x)(m*x + b) f = fittype(g) bestfit = fit(x, y, g) 这产生了bestfit.m = 1.048 ， bestfit.b = -0.09219的解决方案

通过scipy.optimize.curve_fit()运行这些数据会产生相同的结果。

相反，如果拟合使用衰减函数来减少数据点的影响

dw = [0.7290, 0.5120, 0.3430, 0.2160, 0.1250, 0.0640, 0.0270, 0.0080, 0.0010, 0] weightedfit = fit(x, y, g, 'Weights', dw) 如果0.944且偏移0.1484，则会产生斜率。

我还没有弄清楚如何使用sigma参数从scipy.optimize.curve_fit得出此结果。如果我传递给Matlab的权重，则“ 0”会导致被零除。显然，Matlab和scipy对基础优化例程中权重的含义有不同的看法。有没有一种在两者之间转换的简单方法，可以让我提供产生相同结果的加权函数？



更多&回答...