顺序拟合 动机 如果我们有一个只能采样的未知函数f(x) ,我们可以选择一个以参数向量p特征的已知函数g(x,p) 。 用最小二乘法,我们可以找到p最小化的总和-的平方误差\sum_{x\in X}(g(x,p) - f(x))^2以设定的采样点的X 。 如果评估f昂贵,那么仔细选择采样点符合我们的利益。 假设我们的模型已经很不错了,我们可以使用它来找出下一步要采样的地方。 猜测要采样的点是x^* ,其中g(x^*,p)的p梯度尽可能大(这是我们最有可能从采样中学到的东西)的地方。 我们还希望避免在同一位置多次采样。 该程序包实现了这种顺序采样方法。 使用范例 using SequentialFit, Plots gaussian (x,mu,sigma) = exp ( - ((x - mu) / sigma) ^ 2 ) function expensiveFunction (x