python曲線擬合結果匯總

Question

抱歉，我對python還是很陌生，希望有人可以幫助我解決曲線擬合問題...

我有一個MxN數據幀“數據”，其中M是樣本數，N是變量數（10）。 我有一個Mx1因變量“分形”，它是0到1之間與每個樣本相對應的分數。

我知道如何輕松地在自變量N和因變量小數之間進行多元線性回歸，但是，我將回歸包裹在S型回歸中，以將響應保持在0到1之間。

我能夠像這樣執行此操作...

def sigmoid(x,b0,b1,b2,b3,b4,b5,b6,b7,b8,b9,b10):
    y = 1 / (1 + np.exp(- (b0 + b1*x[:,0] + b2*x[:,1] + b3*x[:,2] + b4*x[:,3] + b5*x[:,4] +
                       b6 * x[:,5] + b7*x[:,6] + b8*x[:,7] + b9*x[:,8] + b10*x[:,9])))
    return y

popt, pcov = curve_fit(sigmoid,data,fractions)

'''use coefficients from curve_fit to estimate new fraction from new 1xN data'''
newFraction = sigmoid(newData, *popt)

但是，我想為特征選擇實施某種逐步多元回歸，最好基於AIC。 我發現以下使用python的方法...

http://scikit-learn.org/stable/modules/generation/sklearn.feature_selection.RFE.html https://planspace.org/20150423-forward_selection_with_statsmodels/ https://datascience.stackexchange.com/questions/24405/how使用sklearn進行逐步回歸/ 24447＃24447

但是所有這些方法都依賴於使用涉及.fit（）方法的回歸。 有沒有一種方法可以使用任何.fit（）方法（例如statsmodels或lmfit）來實現上述模型？ 我也研究了套索類型的方法，但是，再次無法弄清楚如何實現我的功能。

Answer 1

我認為您應該可以使用lmfit執行類似的操作（不完整，因為您的示例不完整）：

from lmfit import Model
def sigmoid(x,b0,b1,b2,b3,b4,b5,b6,b7,b8,b9,b10):
    y = 1 / (1 + np.exp(- (b0 + b1*x[:,0] + b2*x[:,1] + b3*x[:,2] + b4*x[:,3] + b5*x[:,4] +
                       b6 * x[:,5] + b7*x[:,6] + b8*x[:,7] + b9*x[:,8] + b10*x[:,9])))
    return y

smodel = Model(sigmoid)
params = smodel.make_params(b0=1, b1=0, b2=0.1, b3=0.01, b4=0.01, b5=0.01, 
                            b6=0.01, b7=0.01, b8=0.01, b9=0.01, b10=0.01)

result = smodel.fit(data, params, x=x)

這將通過最小化卡方來實現。

我相信，對於任何特定的擬合（將有固定數量的數據點和固定數量的變量），最小化卡方也將最小化AIC（因為卡方是正定的，並且AIC = 2*Nvarys + Ndata * log(chi_square / Ndata)