data-fitting

    0热度

    1回答

    我是python的初学者,我在使用boostrap技术在python中拟合函数时遇到了一些困难。我无法理解我遇到的一些问题。 我试图通过描述here的方法,以适应我的功能,但我发现了以下错误: Warning (from warnings module): File "/home/desktop/Documents/tests/script.py", line 26 retur

    0热度

    1回答

    我想将高斯数据拟合成特定的三项高斯(其中一项中的幅度等于下一项的标准偏差的两倍)。这里是我的尝试: import numpy as np #from scipy.optimize import curve_fit import scipy.optimize as optimize import matplotlib.pyplot as plt #r=np.linspace(0.0e-

    0热度

    1回答

    我计算确定我的模型的系数,这样做: Rsqrd1 = 1- sum((DataSeries(:)-ModelSeries(:)).^2)/sum((DataSeries(:)-mean(ModelSeries(:))).^2) ; 然而,当我使用下面的MATLAB函数,我收到一个不同的结果(零,这是) 。我的问题是什么? (我不完全理解了Matlab功能的编码以及如何测试它,这就是为什么我只能

    1热度

    1回答

    我是PyMC3的新手,试图找到一组适合实验数据的参数。我的问题是,我的可能性功能是以参与者以前的答复为条件的。 的数据具有以下矩阵形式: participant | trial0 | trial1 | ... | trialn p0 | x | x | ... | x .... p1 | x | x | ... | x 其中X编纂了参与者在该试验的反应,与0, 1, or 2值。现在,我

    0热度

    1回答

    我想添加一个约束到一个非常复杂的最小化问题,但我不知道如何实现它,即使在阅读文档之后。 我有一个简单的例子,如果回答将帮助我与我原来的问题。这里是代码: from iminuit import Minuit def f(x,y,z): return (x-1.)**2 +(y-2*x)**2 + (z-3.*x)**2 -1. m=Minuit(f, x=.5, error

    0热度

    1回答

    我有一个大范围的可能性向量,范围在(0到1)范围内,但所有的数都比1稍小。我需要计算这些向量乘积的最大似然。 我该如何避免下溢,我的钳工在所有尝试中都失败了。我采取的第一步是将数组除以数组中的最大值。 我最大限度地采样两个概率n次的总和的产品,最终,我需要尽量减少为每BIC: BIC = -2. * ln(L) + 5n_theta(nz) 不管怎么说L的形式是非常小的数字阵列 L = pro

    1热度

    1回答

    我试图用一个公式来拟合我的数据,该公式包含具有无限积分限值的定积分的数值计算。对于拟合,我使用要求矢量化模型函数的八度函数leasqr。以下代码会生成错误,在调用数值积分时会发生这种错误。 不符合标准的参数(OP1是1x387,OP2是10X2) function [fGsAb] = GsAbs (x, p) Hw = 3108.0 ; fGsAb = Hw ./ (2.4 .* p(1) .

    0热度

    1回答

    我有一个数据需要被安装在公式 y = a*CDF[NormalDistribution[m, s], x] ,我需要找一个,M和S 我已经测试契合数学,并找到合适的相当快,它很适合数据。 但是,我需要实现这是c#。 目前我已经实现了由下降梯度山上估计PARAMS的方式,但我的实现是很慢(大约每估计,5S) 什么是去了解它的最佳方式?

    -4热度

    1回答

    我试图从拟合模型中提取数值。到目前为止,我一直收到我在互联网上可以找到的所有建议的错误。 这里是我的代码 plotPoints(absorbance~time,data=a) f1 = fitModel(absorbance~B*time^(A),data=a) plotFun(f1(time)~time,add=TRUE,col="red") fitted(f1) Error: obje

    0热度

    1回答

    如何使用f(x) = A*(sin(b*x)/(b*x))**2来拟合数据? 的Data.dat文件内容为: -3.7 0.020505941 -3.6 0.015109903 -3.5 0.010044806 -3.4 0.005648897 -3.3 0.002285005 -3.2 0.000332768 -3.1 0.000179