使用带权重的scipy.optimize.curve_fit

Question

根据文档 ，参数sigma可用于设置拟合中数据点的权重。 当参数absolute_sigma=True时，这些“描述”1-sigma错误。

我有一些人为的正常分布噪声数据，这些数据有所不同：

n = 200
x = np.linspace(1, 20, n)
x0, A, alpha = 12, 3, 3

def f(x, x0, A, alpha):
    return A * np.exp(-((x-x0)/alpha)**2)

noise_sigma = x/20
noise = np.random.randn(n) * noise_sigma
yexact = f(x, x0, A, alpha)
y = yexact + noise

如果我想使用curve_fit将嘈杂的y拟合到f ，那么我应该设置sigma ？ 这里的文档不是很具体，但我通常会使用1/noise_sigma**2作为权重：

p0 = 10, 4, 2
popt, pcov = curve_fit(f, x, y, p0)
popt2, pcov2 = curve_fit(f, x, y, p0, sigma=1/noise_sigma**2, absolute_sigma=True)

但它似乎并没有提高适应性。

此选项仅用于通过协方差矩阵更好地解释拟合不确定性吗？ 这两个告诉我的区别是什么？

In [249]: pcov
Out[249]: 
array([[  1.10205238e-02,  -3.91494024e-08,   8.81822412e-08],
       [ -3.91494024e-08,   1.52660426e-02,  -1.05907265e-02],
       [  8.81822412e-08,  -1.05907265e-02,   2.20414887e-02]])

In [250]: pcov2
Out[250]: 
array([[ 0.26584674, -0.01836064, -0.17867193],
       [-0.01836064,  0.27833   , -0.1459469 ],
       [-0.17867193, -0.1459469 ,  0.38659059]])

Answer 1

至少在scipy版本1.1.0中，参数sigma应该等于每个参数的错误。 特别是文档说：

1-s sigma应包含ydata中错误的标准偏差值。 在这种情况下，优化函数是chisq = sum（（r / sigma）** 2）。

在你的情况下，将是：

curve_fit(f, x, y, p0, sigma=noise_sigma, absolute_sigma=True)

我查看了源代码并验证了当你以这种方式指定sigma时它最小化((f-data)/sigma)**2 。

作为一个方面说明，这是一般你想减少，当你知道错误是什么。 在给定模型f情况下观察点data的可能性由下式给出：

L(data|x0,A,alpha) = product over i Gaus(data_i, mean=f(x_i,x0,A,alpha), sigma=sigma_i)

如果您采用负数日志变为（直到不依赖于参数的常数因子）：

-log(L) = sum over i (f(x_i,x0,A,alpha)-data_i)**2/(sigma_i**2)

这只是chisquare。

我编写了一个测试程序来验证curve_fit确实正确地返回了正确的值，并正确指定了sigma：

from __future__ import print_function
import numpy as np
from scipy.optimize import curve_fit, fmin

np.random.seed(0)

def make_chi2(x, data, sigma):
    def chi2(args):
        x0, A, alpha = args
        return np.sum(((f(x,x0,A,alpha)-data)/sigma)**2)
    return chi2

n = 200
x = np.linspace(1, 20, n)
x0, A, alpha = 12, 3, 3

def f(x, x0, A, alpha):
    return A * np.exp(-((x-x0)/alpha)**2)

noise_sigma = x/20
noise = np.random.randn(n) * noise_sigma
yexact = f(x, x0, A, alpha)
y = yexact + noise

p0 = 10, 4, 2

# curve_fit without parameters (sigma is implicitly equal to one)
popt, pcov = curve_fit(f, x, y, p0)
# curve_fit with wrong sigma specified
popt2, pcov2 = curve_fit(f, x, y, p0, sigma=1/noise_sigma**2, absolute_sigma=True)
# curve_fit with correct sigma
popt3, pcov3 = curve_fit(f, x, y, p0, sigma=noise_sigma, absolute_sigma=True)

chi2 = make_chi2(x,y,noise_sigma)

# double checking that we get the correct answer
xopt = fmin(chi2,p0,xtol=1e-10,ftol=1e-10)

print("popt  = %s, chi2 = %.2f" % (popt,chi2(popt)))
print("popt2 = %s, chi2 = %.2f" % (popt2, chi2(popt2)))
print("popt3 = %s, chi2 = %.2f" % (popt3, chi2(popt3)))
print("xopt  = %s, chi2 = %.2f" % (xopt, chi2(xopt)))

哪个输出：

popt  = [ 11.93617403   3.30528488   2.86314641], chi2 = 200.66
popt2 = [ 11.94169083   3.30372955   2.86207253], chi2 = 200.64
popt3 = [ 11.93128545   3.333727     2.81403324], chi2 = 200.44
xopt  = [ 11.93128603   3.33373094   2.81402741], chi2 = 200.44

正如您所看到的，当您将sigma=sigma指定为curve_fit的参数时，chi2确实已正确最小化。

至于为什么改进不是“更好”，我不太确定。 我唯一的猜测是，如果没有指定sigma值，你会隐含地假设它们是相等的，并且在拟合重要的数据部分（峰值）上，误差“近似”相等。

为了回答你的第二个问题， 没有 sigma选项不仅用于改变协方差矩阵的输出，它实际上改变了最小化的内容。