0

我正在尝试找到最适合以下类型的四参数累积 Weibull 拟合：

f(x) = A*(1-exp(-((x-xo)/W)^s)

在 scipy.optimize 中使用 curve_fit 如下：

import numpy as np
import pandas as pd
import matplotlib.pylab as plt
from scipy.optimize import curve_fit

def weib(x, *p):
    XSsat, Lo, W, s = p
    return XSsat*(1-np.exp(-((x-Lo)/W)**s))

x_data = [10.1, 11.7, 14.3, 20.2, 32.1, 37.1, 45.5, 64.2]
y_data = [2.96e-6, 2.58e-5, 1.72e-4, 1.18e-3, 2.27e-2, 3.26e-2, 3.98e-2,   4.67e-2]
p0 = [5e-2, 0, 35, 3]
coeff, pcov = curve_fit(weib, x_data, y_data, p0=p0)

但是，我得到的输出是：

print coeff
[ nan  nan  nan  nan]

该问题似乎与未为 x 定义函数这一事实有关

有任何想法吗？

4

1 回答 1

0

如果您不想实现自己的方法来适应参数，您可以使用现有的库。SurPyval允许您相对轻松地做您想做的事情（我是它的开发人员）。

import surpyval as surv

x = [10.1, 11.7, 14.3, 20.2, 32.1, 37.1, 45.5, 64.2]
model = surv.ExpoWeibull.fit(x, offset=True, how="MPS")
model

Parametric SurPyval Model
=========================
Distribution        : ExpoWeibull
Fitted by           : MPS
Offset (gamma)      : 9.689564921508342
Parameters          :
     alpha: 67.02718103263011
      beta: 3.704898338328615
        mu: 0.11727921731925008

指数 Weibull 的参数可以在这里看到。输出可以映射到维基百科中的参数化，例如 k 是 beta，lambda 是 alpha，mu 是 alpha。“gamma”参数只是 x -> x - gamma 的变换。

“offset”告诉它添加“gamma”参数。

此外，“MPS”是最大间距乘积方法，在使用偏移分布时非常稳健。使用最大似然“MLE”实际上失败了。

于 2022-01-20T07:01:20.880 回答