問題配件使用SciPy的的曲線擬合在Python棚車功能

我不能得到這個棚車適合的工作...我得到「OptimizeWarning：參數的協方差無法估計類別= OptimizeWarning）」，輸出係數不會超出開始的猜測。問題配件使用SciPy的的曲線擬合在Python棚車功能

import numpy as np 
from scipy.optimize import curve_fit 
def box(x, *p): 
    height, center, width = p 
    return height*(center-width/2 < x)*(x < center+width/2) 

x = np.linspace(-5,5) 
y = (-2.5<x)*(x<2.5) + np.random.random(len(x))*.1 

coeff, var_matrix = curve_fit(box, x, y, p0=[1,0,2])

輸出係數是[1.04499699，0.，2]，而不是第三個甚至沒有改變。

我懷疑這個函數形式不適合curve_fit使用的levenberg-marquardt算法，這很麻煩，因爲我喜歡這個函數。在mathematica中，指定蒙特卡羅優化將是微不足道的。

來源

2017-10-07 ARN

你所說的「工作」是什麼意思？這是一個警告，而不是一個錯誤，並告訴你一些關於估計值的信心。但是，當我運行你提供的代碼片段時，我對數據有合理的適應性。 – bnaecker

我已經在上面添加了更多細節。基本上，係數不會超出初始猜測。 – ARN

您發佈的代碼似乎缺少一些導入語句，無法運行。 –

我懷疑這個函數形式是不適合由curve_fit

你是正確使用的Levenberg-Marquardt算法。通常，基於漸變的優化不太適合具有尖銳邊緣的函數。通過擾動函數參數來估計梯度，並觀察擬合質量的變化。然而，移動邊沿剛好在零梯度一點的結果，如果它不跨一個數據點：

答：很容易適應的幅度，因爲高度的微小變化immediaterly導致殘差的變化。
B：很難擬合邊緣，因爲位置的小變化不會影響殘差（除非變化足夠大，使邊緣與數據點交叉）。

使用隨機方法應該會更好。 Scipy具有differential_evolution函數，它使用遺傳算法，因此與monte-carlo方法有關。但是，使用比curve_fit更簡單。你需要指定一個成本的功能和範圍的參數爲：

res = differential_evolution(lambda p: np.sum((box(x, *p) - y)**2), # quadratic cost function 
          [[0, 2], [-5, 5], [0.1, 10]]) # parameter bounds

它仍然是一個班輪:)

coeff, var_matrix = curve_fit(box, x, y, p0=[1,0,2]) 

res = differential_evolution(lambda p: np.sum((box(x, *p) - y)**2), [[0, 2], [-5, 5], [0.1, 10]]) 

plt.step(x, box(x, *coeff), where='mid', label='curve_fit') 
plt.step(x, box(x, *res.x), where='mid', label='diff-ev') 
plt.plot(x, y, '.') 
plt.legend()

來源

2017-10-09 08:16:42 kazemakase

問題配件使用SciPy的的曲線擬合在Python棚車功能

回答

相關問題