误差非线性回归python曲线

Question

大家好，我想在python中使用曲线拟合进行非线性回归 这是我的代码：

#fit a fourth degree polynomial to the economic data
from numpy import arange
from scipy.optimize import curve_fit
from matplotlib import pyplot
import math

x = [17.47,20.71,21.08,18.08,17.12,14.16,14.06,12.44,11.86,11.19,10.65]
y = [5,35,65,95,125,155,185,215,245,275,305]

# define the true objective function
def objective(x, a, b, c, d, e):
    return ((a)-((b)*(x/3-5)))+((c)*(x/305)**2)-((d)*(math.log(305))-math.log(x))+((e)*(math.log(305)-(math.log(x))**2))

popt, _ = curve_fit(objective, x, y)
# summarize the parameter values
a, b, c, d, e = popt
# plot input vs output
pyplot.scatter(x, y)
# define a sequence of inputs between the smallest and largest known inputs
x_line = arange(min(x), max(x), 1)
# calculate the output for the range
y_line = objective(x_line, a, b, c, d, e)
# create a line plot for the mapping function
pyplot.plot(x_line, y_line, '--', color='red')
pyplot.show()

这是我的错误：

回溯（最近一次呼叫最后一次）： 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\main.py”，第16行，在 popt，曲线拟合（目标，x，y） 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\venv\lib\site packages\scipy\optimize\minpack.py”，第784行，曲线拟合 res=leastsq（func，p0，Dfun=jac，满输出=1，**kwargs） 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\venv\lib\site packages\scipy\optimize\minpack.py”，第410行，在leastsq中 shape，dtype=\u check\u func（'leastsq'，'func'，func，x0，args，n） 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\venv\lib\site packages\scipy\optimize\minpack.py”，第24行，在检查功能中 res=至少1d（thefunc（（（x0[：numput]，）+args））） 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\venv\lib\site packages\scipy\optimize\minpack.py”，第484行，按func\U包装 返回函数（扩展数据，参数）-ydata 文件“C:\Users\Fahmi\PycharmProjects\pythonProject\main.py”，第13行，在objective中 返回（（a）-（b）（x/3-5））+（（c）（x/305）**2）-（d）（math.log（305））-math.log（x））+（（e）（math.log（305）-（math.log（x））**2）） TypeError：只有大小为1的数组才能转换为Python标量

谢谢你

Answer 1

这是一个已知的数学库问题。只要使用numpy，您的问题就会得到解决，因为numpy函数支持标量和数组

#fit a fourth degree polynomial to the economic data
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

x = [17.47,20.71,21.08,18.08,17.12,14.16,14.06,12.44,11.86,11.19,10.65]
y = [5,35,65,95,125,155,185,215,245,275,305]

# define the true objective function
def objective(x, a, b, c, d, e):
    return ((a)-((b)*(x/3-5)))+((c)*(x/305)**2)-((d)*(np.log(305))-np.log(x))+((e)*(np.log(305)-(np.log(x))**2))

popt, _ = curve_fit(objective, x, y)
# summarize the parameter values
a, b, c, d, e = popt
# plot input vs output
plt.scatter(x, y)
# define a sequence of inputs between the smallest and largest known inputs
x_line = np.arange(np.min(x), np.max(x), 1)
# calculate the output for the range
y_line = objective(x_line, a, b, c, d, e)
# create a line plot for the mapping function
plt.plot(x_line, y_line, ' ', color='red')
plt.show()