来自：某小皮
最优化函数库Optimization
优化是找到最小值或等式的数值解的问题。scipy.optimization子模块提供函数最小值，曲线拟合和寻找等式的跟的有用算法。
最小二乘拟合
假设有一组实验数据（xi, yi），事先知道它们之间应该满足某函数关系yi = f(xi)，通过这些已知的信息，需要确定函数f的一些参数。例如，如果函数f是线性函数f(x) = kx + b，那么参数k和b就是需要确定的值。
如果用p表示函数中需要确定的参数，那么目标就是找到一组p，使下面的函数s的值最小：
这种算法被称作最小二乘拟合(Least-square fitting)。
使用leastsq()进行最小二乘拟合计算。leastsq()只需要将计算误差的函数和待确定参数的初始值传递给它即可。
Leastsq()函数传入误差计算函数和初始值，该初始值将作为误差计算函数的第一个参数传入；
计算的结果r是一个包含两个元素的元组，第一个元素是一个数组，表示拟合后的参数k，b；第二个元素如果等于1，2，3，4中的其中一个整数，则拟合成功，否则将返回mesg。
示例：
使用最小二乘对带噪声的正弦波数据进行拟合：
拟合得到的参数虽然和实际的参数有可能完全不同，但是由于正弦函数具有周期性，实际上拟合的结果和实际的函数是一致的。
import numpy as np from scipy.optimize import leastsq def func(x, p):
数据拟合所用的函数：A*sin(2*pi*k*x + theta)
A, k, theta = p return A*np.sin(2*np.pi*k*x + theta) def residuals(p, y, x):
实验数据x, y和拟合函数之间的误差，p为拟合需要找到的系数
