曲線擬合優化SciPy的Python的numpy的

Question

這篇文章建立在我剛纔的問題

我有一些X數據和一些Y數據，Y數據可以適合作爲X數據的加權和，和我的問題是找到最適合的係數。

我現在明白了一種方法，但我意識到它可能不是最好的或最佳的方式。

但是，我所擁有的X數據有時可能會發生偏移，因此只有在將X的每列向上或向下移動N個增量後才能獲得最佳擬合。

我試圖看看np.roll是否可以用來做到這一點，但我卡住了，因爲我的函數現在需要np.roll的係數和整數值，可用於向上或向下移動列N以改善適合度。

我認爲我的主要問題是不明白如何將這兩種不同的參數傳遞給curvefit - 可能嗎？

也許np.roll不是最好的方法嗎？所以任何建議的另一種方式也將不勝感激。

在我下面的例子中，將第二列移動-1會使Xdata更適合Ydata。

xdata = np.array([[1.0, 1.0],[1.0, 1.0], [2.0, 3.0], [4.0, 2.0], [2.0, 1.0],[1.0, 1.0]]) 

ydata = np.array([3.0, 5.0, 6.0, 9.0, 5.0, 3.0]) 


def fitfunc(xdata, *params): 
    ctx = 0.0 

    # y is not yet defined by somehow I would like it to take the values passed in the second np.array defined in c below 
    # the for loop should just run twice in this example 

    for n in range(len(params)): 
     ctx = params[n]*np.roll(xdata[:,n], y, axis=0) + ctx 
    return ctx, y 

#initial guesses for fitting parameters 
c = (np.array([0.6, 0.3]), np.array([1, 1])) # the second np.array is what I would like to pass a y's 

# fit data using SciPy's Levenberg-Marquart method 
nlfit, nlpcov = scipy.optimize.curve_fit(fitfunc, xdata, ydata, p0=(c), sigma=None) 

print (nlfit) 

謝謝你提前爲任何幫助

Answer 1

curve_fit預計的參數，你可以，但是你想在fitfunc使用單個陣列。在這個例子中，我們有p列，每列都有一個斜率和一個移位，所以最後我們需要一個2 * p元素的參數數組。初始參數陣列需要看起來像這樣：

c = np.array([0.6, 0.3, 1, 1]) 

內部fitfunc，我分裂參數數組成：

• slope_params，斜率參數陣列，使用params[:cols]，這需要第一p元素，和
• shift_params，一個移位參數數組，使用params[cols:]，它取最後的p個元素。

爲fitfunc全碼：

def fitfunc(xdata, *params): 
    # Get number of columns in data 
    cols = xdata.shape[1] 

    # Get slope parameters 
    slope_params = params[:cols] 

    # Get shift parameters and convert to int 
    shift_params = [int(round(n)) for n in params[cols:]] 

    # Calculate fit 
    ctx = 0.0 
    for n in range(len(slope_params)): 
     ctx = slope_params[n] * np.roll(xdata[:,n], shift_params[n], axis=0) + ctx 

    # Show progress 
    print(params) 

    return ctx 

請注意，我們必須轉變參數轉換爲整數，使用[int(round(n)) for n in params[cols:]]。

使用這種與curve_fit不會改變在所有位移參數，並且給出一個警告：

(0.59999999999999998, 0.29999999999999999, 1.0, 1.0) 
(0.59999999999999998, 0.29999999999999999, 1.0, 1.0) 
(0.59999999999999998, 0.29999999999999999, 1.0, 1.0) 
(0.60000000894069672, 0.29999999999999999, 1.0, 1.0) 
(0.59999999999999998, 0.30000000447034836, 1.0, 1.0) 
(0.59999999999999998, 0.29999999999999999, 1.0000000149011612, 1.0) 
(0.59999999999999998, 0.29999999999999999, 1.0, 1.0000000149011612) 
(-0.40816307558733345, 3.6326528012731845, 1.0, 1.0) 
(-0.40816306950522968, 3.6326528012731845, 1.0, 1.0) 
(-0.40816307558733345, 3.6326528554039292, 1.0, 1.0) 
(-0.40816307558733345, 3.6326528012731845, 1.0000000149011612, 1.0) 
(-0.40816307558733345, 3.6326528012731845, 1.0, 1.0000000149011612) 
(-0.40816327556523363, 3.632653071646589, 1.0, 1.0) 
OptimizeWarning: Covariance of the parameters could not be estimated 
    category=OptimizeWarning) 
[-0.40816328 3.63265307 1.   1.  ] 

您可能能夠調整優化設置，以獲得更好的成績，但我不認爲這是你的問題最有前途的方法。