我有一些数据{x_i,y_i}，我想拟合模型函数y=f(x,a,b,c)以找到参数(a,b,c)的最佳拟合值；但是，它们中的三个并不是完全独立的，而是对1<b，0<=c<1和g(a,b,c)>0的约束，其中g是“良好”函数。我如何在Python中实现这一点，因为使用curve_fit不能直接放置参数约束？
我一直在用lmfit进行阅读，但我只看到像1<b, 0<=c<1这样的数值约束，而没有看到带有g(a,b,c)>0的数值约束，这是最重要的。
[就像詹姆斯·菲利普斯（James Phillips），我将建议SciPy的curve_fit。但是，定义函数的方式之一就是函数本身的约束，而SciPy的边界仅根据输入变量进行定义。
确切地说，您的函数形式是什么？您是否可以对它们进行转换，以便可以使用标准的边界定义，然后反转转换以所需的原始形式提供功能？
我尝试使用SciPy的curve_fit拟合指数回归时遇到了一个相关的问题。参数搜索算法以线性方式变化，并且很难建立梯度。如果我编写的函数适合我想要的函数的对数，则使curve_fit起作用要容易得多。然后，在最后的工作中，我采用了拟合函数的指数。
相同的策略可能对您有用。预测ln（y）。该函数的值可以是无界的。然后，对于最终结果，输出exp（ln（y））= y。