我正在使用逻辑模型拟合数据点。由于有时我的数据存在 ydata 错误，因此我首先使用 curve_fit 及其 sigma 参数将我的个人标准偏差包含在拟合中。
现在我切换到了 leastsq，因为我还需要一些曲线拟合无法提供的拟合优度估计。一切都很好，但现在我错过了像“sigma”对curve_fit一样加权最小平方的可能性。
有人有一些代码示例说明如何在最小平方中加权最小二乘吗？
谢谢你，伐木工
【问题讨论】：
标签： python scipy curve-fitting least-squares
scipy.optimize.curve_fit docs 说：
pcov：二维数组
popt 的估计协方差。对角线提供参数估计的方差。要计算参数的一个标准差误差，请使用 perr = np.sqrt(np.diag(pcov))。 sigma 参数如何影响估计的协方差取决于 absolute_sigma 参数，如上所述。
以及关于
的部分absolute_sigma : bool，可选
如果为 True，则以绝对意义使用 sigma，估计的参数协方差 pcov 反映了这些绝对值。
如果为 False，则只有 sigma 值的相对大小很重要。返回的参数协方差矩阵 pcov 基于按常数因子缩放 sigma。这个常数是通过要求当使用缩放的 sigma 时优化参数 popt 的减少 chisq 等于统一来设置的。换句话说，sigma 被缩放以匹配拟合后残差的样本方差。数学上，pcov(absolute_sigma=False) = pcov(absolute_sigma=True) * chisq(popt)/(M-N)
因此，您可以将 absolute_sigma 保留为默认值 (False)，然后使用
perr = np.sqrt(np.diag(pcov))
fitStdErr0 = perr[0]
fitStdErr1 = perr[1]
...
获取每个拟合参数的标准偏差误差（作为一维 numpy 数组）。现在您可以选择有用的成员（并以most representative of your data 的方式组合它们）。
【讨论】：
我刚刚发现可以结合两全其美，并使用选项 full_output 也可以从 curve_fit() 获得完整的 leastsq() 输出：
popt, pcov, infodict, errmsg, ier = curve_fit(func, xdata, ydata, sigma = SD, full_output = True)
这给了我 infodict，我可以用它来计算我所有的拟合优度，并让我同时使用 curve_fit 的 sigma 选项...
【讨论】：
假设您的数据在数组x、y 和yerr 中，模型为f(p, x)，只需将要最小化的误差函数定义为(y-f(p,x))/yerr。
【讨论】：