曲线拟合优化SciPy的Python的numpy的

Question

这篇文章建立在我刚才的问题

我有一些X数据和一些Y数据，Y数据可以适合作为X数据的加权和，和我的问题是找到最适合的系数。

我现在明白了一种方法，但我意识到它可能不是最好的或最佳的方式。

但是，我所拥有的X数据有时可能会发生偏移，因此只有在将X的每列向上或向下移动N个增量后才能获得最佳拟合。

我试图看看np.roll是否可以用来做到这一点，但我卡住了，因为我的函数现在需要np.roll的系数和整数值，可用于向上或向下移动列N以改善适合度。

我认为我的主要问题是不明白如何将这两种不同的参数传递给curvefit - 可能吗？

也许np.roll不是最好的方法吗？所以任何建议的另一种方式也将不胜感激。

在我下面的例子中，将第二列移动-1会使Xdata更适合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) 

谢谢你提前为任何帮助

Answer 1

curve_fit预计的参数，你可以，但是你想在fitfunc使用单个阵列。在这个例子中，我们有p列，每列都有一个斜率和一个移位，所以最后我们需要一个2 * p元素的参数数组。初始参数阵列需要看起来像这样：

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

内部fitfunc，我分裂参数数组成：

• slope_params，斜率参数阵列，使用params[:cols]，这需要第一p元素，和
• shift_params，一个移位参数数组，使用params[cols:]，它取最后的p个元素。

为fitfunc全码：

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 

请注意，我们必须转变参数转换为整数，使用[int(round(n)) for n in params[cols:]]。

使用这种与curve_fit不会改变在所有位移参数，并且给出一个警告：

(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.  ] 

您可能能够调整优化设置，以获得更好的成绩，但我不认为这是你的问题最有前途的方法。