python - python lmfit：给定一个定义模型的离散值数组，如何用指定的不确定性值拟合相同长度的数据数组？

Question

我有一个长度为 100 的单个数组的数据集和不确定性。我还有一个长度为 100 的“模型”数组。目标：仅优化该模型数组的一个参数（缩放幅度），以更好地拟合给定不确定性的数据。

到目前为止，我已经尝试过：

def residual(params, x, data, eps_data):
   amp = params['amp'].value
   model = amp * x 
   return (data - model)/eps_data
params = Parameters()
params.add('amp',value=100)
out = minimize(residual,params,args=(mod_array,data_array,unc_array))

然后，我将最佳拟合值幅度与原始模型数组相乘：

fit = params['amp'].value*mod_array

然后，我在原始数据集上绘制拟合图，它看起来非常糟糕，我什至在靠近数据的任何地方都看不到模型。代码/算法有什么问题？

Answer 1

看起来它应该工作。但是您没有提供足够的信息来确定。数组的数据类型是什么（它们应该是 dtype numpy.float64 或 numpy.float32 的 numpy ndarrays），你得到什么输出？'amp' 的值在拟合中改变了多少？

请注意，如果您使用的是 numpy 的最新开发版本，您将（并且将来将）需要使用 'out.params['amp']' 以获得最佳拟合值。