Вот пример экспоненциального спада, который я получил, чтобы работать с этим:
import numpy as np
from scipy.optimize import leastsq
def f(var,xs):
return var[0]*np.exp(-var[1]*xs)+var[2]
def func(var, xs, ys):
return f(var,xs) - ys
def dfunc(var,xs,ys):
v = np.exp(-var[1]*xs)
return [v,-var[0]*xs*v,np.ones(len(xs))]
xs = np.linspace(0,4,50)
ys = f([2.5,1.3,0.5],xs)
yn = ys + 0.2*np.random.normal(size=len(xs))
fit = leastsq(func,[10,10,10],args=(xs,yn),Dfun=dfunc,col_deriv=1)
Если бы я хотел использовать col_deriv=0
, я думаю, что мне пришлось бы в основном взять транспонирование того, что я возвращаю с dfunc. Вы совершенно правы: документация по этому вопросу не так уж и хороша.