问题标签 [model-fitting]

我写了下面的代码：

这段代码是4个指数的定义。我必须对这些函数进行卷积，其中

返回不同时间点的系列，以及另一个系列。为此，我写了

下面的代码：

Recsig 函数的结果必须是一个序列。我有另一个系列由

实验。目标是使用非线性最小二乘法、实验系列和

Recsig 查找函数模型中的参数，a1,t1 ....a4,t4。

问题是模型函数在我想调用它时不接受参数。结果，我无法制作一系列 4 个指数并将其提供给 Recsig 函数。

更多解释：

我使用TCSPC设置及时测量了某种细菌的荧光发射，

时间相关单光子计数。记录的信号或荧光是

IRF、仪器响应函数和 a 的卷积model，在本例中为 a 4

指数函数。我想卷积，做卷积，irf 和model. 然后我

将把这个卷积的结果作为一个时间序列。该系列的每个元素都是

卷积在某个时间点的值。现在，我可以使用卷积系列和

记录荧光以估计 中的自由参数model。

问题是我无法将model函数转换为具有给定时间轴的序列。

numpy.exp(axis/t1)试图评估这个指数的数值，但只是轴

是一个数值，t1 是一个尚未在拟合中确定的参数。作为一个

结果 mumpy 无法将model函数转换为系列。

我有两个大的多维数组：Y携带 50 万个对象的三个测量值（例如shape=(500000,3)）并且X具有相同的形状，但包含Y测量的位置。

首先，我希望每一行都包含一个对象，以拟合一个多项式方程。我知道迭代数组非常慢，但我目前正在做的是：

我的问题是：是否有可能在不显式迭代它们的情况下拟合两个数组的每一行？

作为初学者，我试图了解 R 预测包中的 auto.arima 函数。

特别是，我对基于信息标准的选择感兴趣。例如，我设置ic=c("aicc","aic", "bic"). 然后我使用 AIC、AICc 和 BIC 获得最佳拟合模型。

我还为每个测试模型获得了一定的输出值，例如 (1,1,1) 的 -18661.23; -18451.12 对于 (1,1,2) 等。如果例如 (1,1,1) 是具有最低输出值的选定模型，则该值不等于给定的 AIC、AICc 或 BIC。

简单来说，我如何解释每个模型的输出值？它是平行加权的 AIC、AICc 和 BIC 吗？

PS：我真的很想理解文档，但我很难阅读。

非常感谢您！

我想使用 LMFit将椭偏数据拟合到复杂模型中。两个测量参数psi和delta是复函数 中的变量rho。

我可以尝试使用共享参数或分段方法将问题分离为实部和虚部，但是有没有办法直接使用复杂函数来解决问题？仅拟合函数的实部可以很好地工作，但是当我定义复杂的残差函数时，我得到：

TypeError：没有为复数定义排序关系。

下面是我的真实函数拟合代码和我解决复杂拟合问题的尝试：

编辑： 我解决了虚部和实部分离变量的问题。数据的形状应为 [[imaginary_data],[real_data]]，目标函数必须返回一维数组。

我遵循了 Tim Cootes 在 教科书和原始论文中描述的 Active Shape Models 方法。到目前为止一切顺利（Procrustes 分析、主成分分析、图像预处理（对比度、噪声））。只有拟合过程本身似乎没有收敛。

我使用教科书(p. 13)中描述的灰度结构方法的统计模型为8 个门牙中的每一个、40 个地标中的每一个创建拟合函数（因此总共创建了 320 个不同的拟合函数）每个门牙通过k沿剖面垂直于边界的两侧采样 5 个 (= ) 点，通过 8 个门牙中的每一个的 40 个地标中的每一个。这些函数等于马氏距离（教科书第 14 页）。

在拟合过程中，我m>k通过牙齿当前近似值的 40 个界标中的每一个，沿垂直于边界的轮廓在两侧采样 10 个 (= ) 点。这样我必须2(m-k)+1使用相应的拟合函数评估样本。这些样本中的每一个都包含2k+1点的梯度值。选择最小化函数的样本，并将相应的界标定位在这些2k+1点的中点。这是针对 40 个地标中的每一个完成的。这会产生一个新的（尚未验证的）牙齿近似值。

图像坐标系中的这种近似与图像坐标系中的牙齿模型对齐。bi然后计算和检查主成分分析的系数（ ），|bi|<3*sqrt(eigenvalue_i)以不偏离模型的形状太多。如有必要，系数 ( bi) 受到限制，我们转换回图像坐标系并开始一些新的迭代。

显示我们想要找到左上门牙的图像。

显示在第 19 次迭代中图像坐标系中牙齿近似的梯度图像。（红色：验证前 - 绿色：验证后） 正如我们所看到的，我们与最佳解决方案有些不同。

显示第 19 次迭代中模型坐标系中牙齿的近似值。（蓝色：模型 - 红色：验证前 - 绿色：验证后） 正如我们所看到的，我们仍然接近模型的形状。

在模型坐标系中显示 19 次迭代的牙齿近似值。（蓝色：模型 - 红色：验证前 - 绿色：验证后）正如我们所看到的，在所有这些迭代过程中，我们都保持接近模型的形状

所以我们保持接近形状（由主成分分析保护），但不接近地标周围的强度行为（由拟合函数保护）。

我想使用 R 包 bestglm 中提供的 delete-d 交叉验证技术。我有一个二项式响应变量（物种存在/不存在）和 11 个连续或具有水平的预测变量，我在分析中将它们视为连续的。我有大约 7000 个数据点，具体取决于物种。我想允许一个变量和其他十个变量之间的交互，我还想包括二次响应。

这可能吗？从我收集到的 R 帮助和这个包的小插图来看，它不是，但也许我错过了一些东西。

我是 PyMC 的新手，并试图使用最大后验估计来拟合我的非齐次泊松过程和分段常数速率函数。

我的过程描述了一天中的一些事件。因此，我将一天分成 24 小时，这意味着我的速率函数中有 24 个常数（分段常数）。

结合以下想法：

• 黑客的概率编程和贝叶斯方法：第 1 章
• SO问题：以可变速率拟合上限泊松过程

我想出了以下一段代码，但并不令人满意（从结果来看，我确信这是错误的）：

a0, a1... 中的值似乎不适合我的数据（通过从具有给定 lambda 的非齐次泊松过程中采样生成 -> 测试用例！）

我如何拟合/估计我的 lambdas？我究竟做错了什么？

（我使用的是 pyMC 2.3.2！）

我在为一组给定数据找到最小二乘拟合时遇到问题。我知道数据遵循一个函数，它是高斯和矩形的卷积（通过宽缝的 X 射线）。到目前为止，我所做的是查看卷积积分并发现它归结为： 积分参数 a 是狭缝的宽度（未知和所需），g(xt) 是一个高斯函数，定义为 所以基本上要拟合的函数是一个高斯积分函数，积分边界由宽度参数 a 给出。然后也用 xt 的位移进行积分。

这是数据的一小部分和手工制作的合身。from pylab import * from scipy.optimize import curve_fit from scipy.integrate import quad

为了看到 func 确实描述了数据并且我的计算是正确的，我玩弄了数据和函数并且厌倦了匹配它们。我发现以下是可行的：

当我尝试使用刚刚获得的起始值拟合数据时，就会出现问题：

我认为这确实意味着我的数据点少于拟合参数。好吧，让我们看一下：

实际上我有 210 个数据点。

就像上面写的那样，我真的不明白为什么我需要使用 numpy 的 vectorise 函数作为积分函数 (func <> vfunc) 但不使用它也无济于事。一般来说，可以将一个 numpy 数组传递给一个函数，但它似乎在这里不起作用。另一方面，我可能高估了 leas-square-fit 的力量，在这种情况下它可能不可用，但我不喜欢在这里使用最大似然法。一般来说，我从未尝试将积分函数拟合到数据中，所以这对我来说是新的。问题可能就在这里。我对四边形的了解有限，可能有更好的方法。据我所知，以分析方式进行积分是不可能的，但显然是理想的解决方案；）。

那么这个错误来自哪里的任何想法？

我想用我的自定义函数拟合数据来计算模型的参数。x 和 y 的数据附在最后。自定义函数是：

和参数有约束和首字母：

但是，我都尝试使用 matlab 和 rigin 来将数据与模型拟合，但它们都未能找到合适的拟合。如果您能提供任何建议，我将不胜感激。其实我也明白参数太多了，我也试过在free others的同时修复参数b、d、e、g，但还是没有好的效果。

我正在学习如何对我的数据进行拟合分布，我正在使用 fitdistrplus 包的 fitdist 函数，但是对于卡方分布，我需要给出一个带有参数初始值的命名列表...

[1] 0.6666667 1.3666667 1.2833333 1.3666667 1.5833333 1.5333333 0.6666667 [8] 3.5333333 1.4166667 2.4500000 0.3333333 0.7666667 1.6000000 0.3833333 [15] 0.2666667 >1.8000000 3.2166667 1.3166667 2.4333333 2.2833333 2.3166667 [22] 4.1000000 1.0500000 0.3500000 >1.3166667 2.8333333 0.3166667 1.8333333 [29] 1.4666667 1.9833333 3.3666667 1.7000000 2.0666667 >1.4333333 0.5666667

错误 en fitdistr(surface.na.omit, "chi-squared") : 'start' 必须是命名列表

start 是一个命名列表，给出命名分布参数的初始值。对于某些计算合理起始值的分布，可以省略此参数>（请参阅详细信息），如果使用封闭公式估计参数，则不会考虑此参数。

但我不知道如何计算或找到这个值......有人可以解释一下吗？：/ 太感谢了...

通风