python lmfit：給定定義模型的離散值數組，如何擬合具有指定不確定性值的相同長度的數據數組？

Question

我有一個數據集和長度爲100的單個數組的不確定性。 我有一個長度爲100的「模型」數組。 目標：只優化此模型數組的一個參數（縮放振幅）以更好地擬合給定的數據其不確定性。

到目前爲止，我已經試過：

def residual(params, x, data, eps_data): 
    amp = params['amp'].value 
    model = amp * x 
    return (data - model)/eps_data 
params = Parameters() 
params.add('amp',value=100) 
out = minimize(residual,params,args=(mod_array,data_array,unc_array)) 

然後，我乘的最佳擬合值振幅與原始模型陣列：

fit = params['amp'].value*mod_array 

然後，我積配在原始數據集它看起來非常糟糕，我甚至都沒有看到靠近數據的模型。代碼/算法出了什麼問題？

Answer 1

這看起來像它應該工作。但是你沒有給出足夠的信息來確定。數組的數據類型是什麼（它們應該是dtype numpy.float64或numpy.float32的numpy ndarrays），你得到的輸出是什麼？ 「放大器」的價值在適合中變化了多少？

請注意，如果您使用的是最近的devel版本的numpy，那麼您將（並且將來會）需要使用'out.params ['amp']'來獲得最佳擬合值。