在用y_predicted的curve_fit拟合数据后，如何确定特定的x值下的scipy.optimize值？

Question

我用curve_fit方法对scipy.optimize的数据进行了多项式函数拟合。如何在y_predicted，7.5，5，2.5处得到x=10值？

'''Define function for fitting'''
def fit_function(x, a, b, c, d, e, f, g):
   return a*x**6+b*x**5+c*x**4+d*x**3+e*x**2+f*x+g

'''Find optimal parameters'''
optimal_param,cov=curve_fit(fit_function, x, y, maxfev=100000)

'''Print optimal parameters''' 
print(optimal_param)

'''Calculate prediction'''
y_predicted = fit_function(x, optimal_param[0], optimal_param[1], optimal_param[2], 
                           optimal_param[3], optimal_param[4], optimal_param[5], optimal_param[6])

'''Calculate error'''

plt.plot(x, y, marker='D', linestyle='')
plt.plot(x, y_predicted, marker='', linestyle='--')`

点击查看情节

Answer 1

根据官方文档fit.html，您可以使用以下函数

def func(x, a, b, c):
    return a * np.exp(-b * x) + c

所以要预测你就用

 func(x, *popt)