40

在 python 中,我有一个有很多参数的函数。我想将此函数拟合到数据集,但只使用一个参数,其余参数我想自己提供。这是一个例子:

def func(x,a,b):
   return a*x*x + b

for b in xrange(10):
   popt,pcov = curve_fit(func,x1,x2)

在此,我希望仅进行拟合,a并且参数b采用循环变量的值。如何才能做到这一点?

4

7 回答 7

55

您可以包装func在 lambda 中,如下所示:

def func(x,a,b):
   return a*x*x + b

for b in xrange(10):
   popt,pcov = curve_fit(lambda x, a: func(x, a, b), x1, x2)

lambda 是一个匿名函数,在 Python 中只能用于简单的单行函数。基本上,它通常用于在不需要为函数分配名称时减少代码量。官方文档中给出了更详细的描述:http: //docs.python.org/tutorial/controlflow.html#lambda-forms

在这种情况下,lambda 用于修复 的参数之一func。新创建的函数只接受两个参数:xa,而 , 而b固定为取自局部b变量的值。curve_fit然后将这个新函数作为参数传入。

于 2012-08-31T04:30:57.283 回答
4

更好的方法是使用lmfit,它为曲线拟合提供了更高级别的接口。在其他功能中,Lmfit 使拟合参数成为可以具有边界或明确固定(在其他功能中)的一流对象。

使用 lmfit,这个问题可能会被解决为:

from lmfit import Model
def func(x,a,b):
   return a*x*x + b

# create model
fmodel = Model(func)
# create parameters -- these are named from the function arguments --
# giving initial values
params = fmodel.make_params(a=1, b=0)

# fix b:
params['b'].vary = False

# fit parameters to data with various *static* values of b:
for b in range(10):
   params['b'].value = b
   result = fmodel.fit(ydata, params, x=x)
   print(": b=%f, a=%f+/-%f, chi-square=%f" % (b, result.params['a'].value, 
                                             result.params['a'].stderr,
                                             result.chisqr))
于 2018-05-23T23:58:35.713 回答
2

我建议不要使用可能不太直观的 lambda 函数来指定 scikit curve_fit参数bounds,该参数将强制在自定义边界内搜索您的参数。

您所要做的就是让您的变量a在 -inf 和 +inf 之间移动,并且让您的变量b在 ( b - epsilon) 和 ( b + epsilon)之间移动

在您的示例中:

epsilon = 0.00001

def func(x,a,b):
    return a*x*x + b

for b in xrange(10):
    popt,pcov = curve_fit(func,x1,x2, bounds=((-np.inf,b-epsilon), (np.inf,b+epsilon))
于 2018-05-21T15:18:13.687 回答
1

我有效地使用了 Anton Beloglazov 的解决方案,虽然我喜欢避免使用 lambda 函数来提高可读性,所以我执行以下操作:

def func(x,a,b):
   return a*x*x + b

def helper(x,a):
   return func(x,a,b)

for b in xrange(10):
   popt,pcov = curve_fit(helper, x1, x2)

这最终让人想起 Rick Berg 的回答,但我喜欢有一个专用于问题的“物理”的函数和一个帮助函数来让代码工作。

于 2020-10-02T20:18:27.750 回答
1

另一种方法是使用相同的上限和下限 (+ eps) 作为初始值。使用具有初始条件和边界的相同示例:

def func(x,a,b):
   return a*x*x + b
# free for a and b
popt,pcov = curve_fit(func, x1, x2, 
                      p0=[1,1], 
                      bounds=[(-inf,-inf),(inf,inf)])

# free for a; fixed for b  ; 
eps=1/100
popt,pcov = curve_fit(func, x1, x2, 
                      p0=[1,1], 
                      bounds=[(-inf,(1-eps)),(inf,(1+eps))])

记得插入一个epsilon,否则a和b必须相同

于 2020-11-25T07:30:58.273 回答
0

如果您愿意/能够编辑原始函数,则有一个更简单的选项。

将您的功能重新定义为:

def func(x,a):
    return a*x*x + b

然后,您可以简单地将其放入参数 b 的循环中:

for b in xrange(10):
   popt,pcov = curve_fit(func, x1, x2)

警告:该函数需要在调用它的同一脚本中定义才能使其工作。

于 2017-03-05T22:09:21.280 回答
0

Scipy 的 curve_fit 采用三个位置参数,func、xdata 和 ydata。因此,另一种方法(使用函数包装器)是通过构建一个包含原始 xdata (x1) 和固定参数 b 的第二列的矩阵,将“b”视为 xdata(即自变量)。

假设 x1 和 x2 是数组:

def func(xdata,a):
   x, b = xdata[:,0], xdata[:,1]  # Extract your x and b
   return a*x*x + b

for b in xrange(10): 
   xdata = np.zeros((len(x1),2))  # initialize a matrix
   xdata[:,0] = x1  # your original x-data
   xdata[:,1] = b  # your fixed parameter
   popt,pcov = curve_fit(func,xdata,x2)  # x2 is your y-data
于 2018-11-04T12:30:22.627 回答