커브 피팅 최적화 scipy 파이썬 NumPy와

Question

이 포스팅은 좀 X 데이터와 일부 Y 데이터가

에서, Y 데이터는 X 데이터의 가중 합으로 적합 할 수 있습니다 내 앞의 질문을 바탕으로, 내 문제는이다 가장 잘 맞는 계수를 찾으십시오.

나는 그것이 최선의 방법이나 최적의 방법이 아닐 수도 있다는 것을 알았지 만, 이제는 그것을하는 한 방법을 이해합니다.

그러나 X- 데이터는 때로는 이동 될 수 있으므로 X의 각 열을 N 증분 단위로 이동하거나 슬라이딩 한 후에 만 ​​가장 적합한 것을 얻을 수 있습니다.

np.roll이이 작업을 수행하는 데 사용할 수 있는지 알아보기 위해 노력했지만 현재 함수에 열과 행을 올리거나 내릴 수있는 np.roll의 coefficents 및 정수 값이 모두 필요하므로 붙어 있습니다. N을 착용감 향상.

필자는 커브 핏에이 두 가지 종류의 매개 변수를 어떻게 전달할 수 있는지 이해하지 못한다고 생각합니다. 가능합니까?

아마도이 작업을 수행하는 가장 좋은 방법은 np.roll이 아닙니까? 그래서 다른 방법에 대한 어떤 제안도 감사 할 것입니다.

아래 예제에서 두 번째 열을 -1 씩 이동하면 Ydata에 더 잘 맞는 Xdata가 생성됩니다.

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) 

는

Answer 1

curve_fit 당신은 그러나 당신이 fitfunc에서 원하는 사용할 수있는 매개 변수의 단일 배열을 기대하고 어떤 도움을 당신에게 미리 감사드립니다. 이 예제에서 우리는 p 개의 열을 가지며, 각 열은 기울기와 시프트를 가지므로 결국에는 2 * p 요소의 매개 변수 배열이 필요합니다. 초기 파라미터 배열 같을 필요 : 제 P 요소 소요 params[:cols]을 이용한 기울기 파라미터

slope_params

, 배열 : fitfunc 안에서 난에 파라미터 배열 분할

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

, 및
• shift_params, params[cols:]을 사용하는 시프트 매개 변수의 배열. 마지막 p 요소를 사용합니다. fitfunc에 대한

전체 코드 : 우리가 [int(round(n)) for n in params[cols:]]를 사용하여, 정수로 시프트 매개 변수를 변환해야

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 

참고.

전혀 시프트 매개 변수를 변경하지 않습니다 curve_fit이 사용

및 경고 제공 :

(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.  ] 

당신은 더 나은 결과를 얻기 위해 최적화 설정을 조정할 수 있습니다, 그러나 나는이 생각하지 않습니다 당신의 문제에 대한 가장 유망한 접근법입니다.