[英]Can fit curve with scipy minimize but not with scipy curve_fit
我正在嘗試使用scipy curve_fit
將函數y= 1-a(1-bx)**n
擬合到一些實驗數據中。 該模型僅在 y>0 時存在,因此我剪輯了計算值以強制執行此操作。 代碼如下所示
import numpy as np
import scipy.optimize
import matplotlib.pyplot as plt
# Driver function for scipy.minimize
def driver_func(x, xobs, yobs):
# Evaluate the fit function with the current parameter estimates
ynew = myfunc(xobs, *x)
yerr = np.sum((ynew - yobs) ** 2)
return yerr
# Define function
def myfunc(x, a, b, n):
y = 1.0 - a * np.power(1.0 - b * x, n)
y = np.clip(y, 0.00, None )
return y
if __name__ == "__main__":
# Initialise data
yobs = np.array([0.005, 0.000, 0.000, 0.000, 0.000, 0.000, 0.000, 0.004,
0.048, 0.119, 0.199, 0.277, 0.346, 0.395, 0.444, 0.469,
0.502, 0.527, 0.553, 0.582, 0.595, 0.603, 0.612, 0.599])
xobs = np.array([0.013, 0.088, 0.159, 0.230, 0.292, 0.362, 0.419, 0.471,
0.528, 0.585, 0.639, 0.687, 0.726, 0.772, 0.814, 0.854,
0.889, 0.924, 0.958, 0.989, 1.015, 1.045, 1.076, 1.078])
# Initial guess
p0 = [2.0, 0.5, 2.0]
# Check fit pre-regression
yold = myfunc(xobs, *p0)
plt.plot(xobs, yobs, 'ko', label='data', fillstyle='none')
plt.plot(xobs, yold, 'g-', label='pre-fit: a=%4.2f, b=%4.2f, n=%4.2f' % tuple(p0))
# Fit curve using SCIPY CURVE_FIT
try:
popt, pcov = scipy.optimize.curve_fit(myfunc, xobs, yobs, p0=p0)
except:
print("Could not fit data using SCIPY curve_fit")
else:
ynew = myfunc(xobs, *popt)
plt.plot(xobs, ynew, 'r-', label='post-curve_fit: a=%4.2f, b=%4.2f, n=%4.2f' % tuple(popt))
# Fit curve using SCIPY MINIMIZE
res = scipy.optimize.minimize(driver_func, p0, args=(xobs, yobs), method='Nelder-Mead')
ynw2 = myfunc(xobs, *res.x)
plt.plot(xobs, ynw2, 'y-', label='post-minimize: a=%4.2f, b=%4.2f, n=%4.2f' % tuple(res.x))
plt.legend()
plt.show()
我還使用 SCIPY MINIMIZE 來實現相同的目的。 如下圖所示,MINIMIZE 有效,但 CURVE_FIT 基本上用完了評估並放棄,即使開始猜測與 MINIMIZE 解決方案相距不遠(至少在視覺上)。 感謝您對為什么 curve_fit 似乎在這里不起作用的任何想法。
謝謝!
更新:根據 mikuszefski 的評論,我進行了以下調整 1. 從 fit 函數中刪除了裁剪,如下所示:
def myfunc_noclip(x, a, b, n):
y = 1.0 - a * np.power(1.0 - b * x, n)
return y
通過刪除低於閾值的數據來引入裁剪數組
ymin = 0.01 xclp = xobs[np.where(yobs >= ymin)] yclp = yobs[np.where(yobs >= ymin)]
改進了最初的猜測(再次在視覺上)
p0 = [1.75, 0.5, 2.0]
更新了對 curve_fit 的調用
popt, pcov = scipy.optimize.curve_fit(myfunc_noclip, xclp, yclp, p0=p0)
但這似乎沒有幫助,如下圖所示:
stackoverflow 上的其他帖子似乎表明scipy curve_fit
無法擬合曲線,其中擬合參數之一是指數,例如,當要擬合的參數之一是冪時, SciPy curve_fit 不起作用,所以我猜我有同樣的問題。 不知道如何解決它雖然...
此問題是由函數定義中的剪輯引起的。 這兩種最小化方法的工作方式根本不同,因此對這種剪裁的反應非常不同。 這里minimize
與Nelder-Mead
,這是一種無梯度方法。 因此,該算法不計算數值梯度,也不估計任何雅可比行列式。 相比之下,最終由curve_fit
調用least-squares
正是這樣做的。 然而,如果函數不連續,逼近梯度和由此得出的任何雅可比行列式都有些問題。 如前所述,這種不連續性是由np.clip
引入的。 移除后,人們可以很容易地看到, P0
猜測並不像包含剪裁時看起來那么好。 然而, curve_fit
確實會隨着maxfev=5000
增加maxfev=5000
收斂,而將方法更改為method='CG'
時, minimize
立即失敗。 要查看算法的困難,可以嘗試手動提供jac
。
一些注意事項: 1) 關於剪輯,最好刪除被剪輯的數據,這樣可以避免相應的問題。 2) 從協方差矩陣來看, n
的誤差以及與其他值的相關性非常高。
所以這是我得到的
import numpy as np
import scipy.optimize
import matplotlib.pyplot as plt
# Driver function for scipy.minimize
def driver_func( x, xobs, yobs ):
# Evaluate the fit function with the current parameter estimates
ynew = myfunc( xobs, *x)
yerr = np.sum( ( ynew - yobs ) ** 2 )
return yerr
# Define functions
def myfunc( x, a, b, n ):
y = 1.0 - a * np.power( 1.0 - b * x, n )
y = np.clip( y, 0.00, None )
return y
def myfunc_noclip( x, a, b, n ):
y = 1.0 - a * np.power( 1.0 - b * x, n )
return y
if __name__ == "__main__":
# Initialise data
yobs = np.array([
0.005, 0.000, 0.000, 0.000, 0.000, 0.000, 0.000, 0.004,
0.048, 0.119, 0.199, 0.277, 0.346, 0.395, 0.444, 0.469,
0.502, 0.527, 0.553, 0.582, 0.595, 0.603, 0.612, 0.599
])
xobs = np.array([
0.013, 0.088, 0.159, 0.230, 0.292, 0.362, 0.419, 0.471,
0.528, 0.585, 0.639, 0.687, 0.726, 0.772, 0.814, 0.854,
0.889, 0.924, 0.958, 0.989, 1.015, 1.045, 1.076, 1.078
])
# Clipped data
ymin = 0.01
xclp = xobs[ np.where( yobs >= ymin ) ]
yclp = yobs[ np.where( yobs >= ymin ) ]
# Initial guess
p0 = [ 2.0, 0.5, 2.0 ]
# Check fit pre-regression
yold = myfunc( xobs, *p0 )
plt.plot( xobs, yobs, 'ko', label='data', fillstyle='none' )
plt.plot( xobs, yold, 'g-', label='pre-fit: a=%4.2f, b=%4.2f, n=%4.2f' % tuple( p0 ) )
# Fit curve using SCIPY CURVE_FIT
try:
popt, pcov = scipy.optimize.curve_fit( myfunc, xobs, yobs, p0=p0, maxfev=5000 )
except:
print("Could not fit data using SCIPY curve_fit")
else:
ynew = myfunc( xobs, *popt )
plt.plot( xobs, ynew, 'r-', label="curve-fit: a=%4.2f, b=%4.2e, n=%4.2f" % tuple( popt ) )
# Fit curve using SCIPY CURVE_FIT on clipped data
p0 = [ 1.75, 1e-4, 1e3 ]
try:
popt, pcov = scipy.optimize.curve_fit( myfunc_noclip, xclp, yclp, p0=p0 )
except:
print("Could not fit data using SCIPY curve_fit")
else:
ynew = myfunc_noclip( xobs, *popt )
plt.plot( xobs, ynew, 'k-', label="curve-fit clipped data: a=%4.2f, b=%4.2e, n=%4.2f" % tuple( popt ) )
# Fit curve using SCIPY MINIMIZE
p0 = [ 2.0, 0.5, 2.0 ]
res = scipy.optimize.minimize( driver_func, p0, args=( xobs, yobs ), method='Nelder-Mead' )
# ~res = scipy.optimize.minimize(driver_func, p0, args=(xobs, yobs), method='CG')
ynw2 = myfunc( xobs, *res.x )
plt.plot( xobs, ynw2, 'y--', label='Nelder-Mead 1: a=%4.2f, b=%4.2f, n=%4.2f' % tuple( res.x ) )
p0 = [ 2.4, 3.6e-4, 5.6e3 ]
res = scipy.optimize.minimize( driver_func, p0, args=( xobs, yobs ), method='Nelder-Mead' )
# ~res = scipy.optimize.minimize(driver_func, p0, args=(xobs, yobs), method='CG')
ynw2 = myfunc( xobs, *res.x )
plt.plot( xobs, ynw2, 'b:', label='Nelder-Mead 2: a=%4.2f, b=%4.2e, n=%4.2e' % tuple( res.x ) )
plt.legend( loc=2 )
plt.ylim( -0.05, 0.7 )
plt.grid()
plt.show()
所以我會說它有效。 不過,我收到了溢出警告。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.