用lmfit进行拟合时，如何指定Y变量的误差？
我几乎是Python的新手，我正在尝试用lmfit拟合大学里的数据。Y变量的变量误差为3%。如何将该误差添加到拟合过程中？我改变了scipy的曲线拟合，在scipy中，这样做真的很容易，只需创建一个带有误差值的数组，并通过添加文本"sigma =code array“指定拟合时的误差。这是我当前的代码：
from lmfit import Minimizer, Parameters, report_fit
import matplotlib.pyplot as plt
w1, V1, phi1, scal1 = np.loadtxt("./FiltroPasaBajo_1.txt", delimiter = "\t", unpack = True)
t = w1
eV= V1*0.03 + 0.01
def funcion(parametros, x, y):
R = parametros['R'].value
C = parametros['C'].value
modelo = 4/((1+(x**2)*(R**2)*(C**2))**1/2)
return modelo - y
parametros = Parameters()
parametros.add('R', value = 1000, min= 900, max = 1100)
parametros.add('C', value = 1E-6, min = 1E-7, max = 1E-5)
fit = Minimizer(funcion, parametros, fcn_args=(t,V1))
resultado = fit.minimize()
final = V1 + resultado.residual
report_fit(resultado)
try:
plt.plot(t, V1, 'k+')
plt.plot(t, final, 'r')
plt.show()
except ImportError:
passV1是我测量的值，eV是误差数组。T是x坐标。谢谢您抽时间见我
回答 2
Stack Overflow用户
发布于 2019-02-25 03:03:38
minimize()函数在最小二乘意义上最小化一个数组，通过调整变量参数来最小化目标函数返回的resid数组的(resid**2).sum()。它真的不知道你数据中的任何不确定性，甚至不知道你的数据。要使用拟合中的不确定性，您需要像传入t和V1一样传入数组eV，然后在计算要最小化的数组时使用它。
人们通常希望最小化Sum[ (data-model)^2/epsilon^2 ]，其中epsilon是数据(您的eV)中的不确定性，因此应将残差数组从data-model更改为(data-model)/epsilon。为了你的健康，你会希望
def funcion(parametros, x, y, eps):
R = parametros['R'].value
C = parametros['C'].value
modelo = 4/((1+(x**2)*(R**2)*(C**2))**1/2)
return (modelo - y)/eps然后将此代码与
fit = Minimizer(funcion, parametros, fcn_args=(t, V1, eV))
resultado = fit.minimize()
...如果使用lmfit.Model接口(设计用于曲线拟合)，那么可以传入乘以data -model的weights数组，因此应该是1.0 / eV来表示不确定因素的权重(与上面的minimize相同)。然后，使用lmfit.Model接口并提供不确定性将如下所示：
from lmfit import Model
# model function, to model the data
def func(t, r, c):
return 4/((1+(t**2)*(r**2)*(c**2))**1/2)
model = Model(func)
parametros = model.make_params(r=1000, c=1.e-6)
parametros['r'].set(min=900, max=1100)
parametros['c'].set(min=1.e-7, max=1.e-5)
resultado = model.fit(V1, parametros, t=t, weights=1.0/eV)
print(resultado.fit_report())
plt.errorbar(t, V1, eV, 'k+', label='data')
plt.plot(t, resultado.best_fit, 'r', label='fit')
plt.legend()
plt.show()希望这能帮上忙。
Stack Overflow用户
发布于 2019-02-24 02:26:42
我认为您不能在fit.minimize()中直接提供sigma。
但是，我看到fit.minimize()使用的是scipy的leastsq方法(默认情况下)，该方法与scipy的curve_fit使用的方法相同。
如果你看一下scipy's curve_fit source，它确实遵循sigma (对于一维情况)。
transform = 1.0 / sigma
jac = _wrap_jac(jac, xdata, transform)
res = leastsq(func, p0, Dfun=jac, full_output=1, **kwargs)由于fit.minimize()允许您传递kwargs (Dfun)，因此您可以像在scipy curve_fit中那样传递jac。
https://stackoverflow.com/questions/54843932
复制相似问题
腾讯云开发者
