曲线拟合和指数拟合效果不佳

如何解决曲线拟合和指数拟合效果不佳

我必须计算指数回归曲线，因此我按照网上找到的说明编写了这段代码。 问题是，对于某些数据集，我从指数回归中得到的结果与我在Wolfram上获得的结果非常接近（因此我认为是正确的），对于其他数据集，我的解决方案完全是胡说八道，例如r ^ 2等于1.35E125，打印出``y预测''后，我意识到这些值是非常高的值，回归无法正确进行。

通过从这个site进行指数回归，我得到的r ^ 2值与通过其他类型的回归得到的值相近，因此我假设该站点返回我的解是正确的

为什么我的不能正常工作？

这是我的代码：

def func_exp(x,a,b,c):
    return a * numpy.exp(b * x)

def compute(dataset,type):
    x = dataframe.iloc[:,0].values
    y = dataframe.iloc[:,1].values
    result = {}
    ...
    elif type=="exponential":
        popt,pcov = curve_fit(func_exp,x,y)
        print(popt)   
        #already here the coefficients I get I think are wrong,I get:
        # a = 6.46670314e-18 ; b = 9.99999998e-01 ; c = 1.00000000e+00
        #but on the site I entered above I get a = 9.365021685; b=1.049973813*10^(-2)
        coeff = []
        coeff.append(round(float(popt[0]),4))
        coeff.append(round(float(popt[1]),4))
        result["coeff"] = coeff
        yhat = func_exp(x,*popt)  # or [p(z) for z in x]
        ybar = numpy.sum(y) / len(y)  # or sum(y)/len(y)
        ssreg = numpy.sum((yhat - ybar) ** 2)  # or sum([ (yihat - ybar)**2 for yihat in yhat])
        sstot = numpy.sum((y - ybar) ** 2)  # or sum([ (yi - ybar)**2 for yi in y])

        minX = numpy.ndarray.min(x)
        maxX = numpy.ndarray.max(x)
        print(maxX)
        #if len(x) is low the regression curve is a set of segments,so i introduce varX
        varX = numpy.linspace(start=minX,stop=maxX,num=max(100,numpy.size(x)))
        print(x)
        plt.plot(x,y,'o')
        xName = columnsName[0]
        yName = columnsName[1]
        plt.xlabel(xName)
        plt.ylabel(yName)
        for i in range(0,len(varX)):
            print(varX[i],func_exp(varX,*popt)[i])     #print for y predicted
        plt.plot(varX,*popt),label="fit: {:.3f},{:.3f},{:.3f}".format(*popt))
        plt.show()
        result['r2'] = float(ssreg / sstot)

我在github页面上上传了我正在使用的数据集，这是link，因为您可以看到它是我在网上找到的一个简单的身高体重csv。