如何将自变量作为参数传递给 lmfit 最小化答案

【问题标题】：How to pass independent variable as parameter to lmfit minimize如何将自变量作为参数传递给 lmfit 最小化
【发布时间】：2019-11-24 21:33:34
【问题描述】：

我是这个统计方面的新手。

所以对于 x 的某些值，我有一个数据集 y = f(x)。我想将此数据拟合到func，以便对于y 中的每个点，我都可以计算x 的值。

假设我想要拟合的模型类似于

def func(x,a,b,c):
    return a+b*x/c

现在要使用最小化功能，我必须定义参数：

params = Parameters()
params.add('a' , value = 10)
params.add('b' , value = 1)
params.add('c' , value = 2)

result = minimize(func, param, arg=(x, y))

我的问题是，如果我想将我的x 变量作为参数并将其作为参数传递怎么办。

基本上，当我将x 作为变量传递时，我传递的是一个与我的数据集中特定点相对应的数组。但是我想找到使用x 作为参数，因为我想为某些数据点y 找到x 的值。

【问题讨论】：

【解决方案1】：

参数和拟合变量是标量浮点数。也就是说，它们有一个值，可以取连续范围的值。

您的意思是您希望x 的每个元素都独立地适应变化吗？

通常使用最小化方法来拟合数据：找到变量的值集（例如，您的 a、b 和 c），以使 y - func(x, a, b, c) 尽可能小。

您不完整的代码 sn-p（要清楚，最好包含一个完整的示例总是更好）不会这样做 - 它不会将 y 传递给 func .

更重要的是，您似乎正在寻找“为某些数据点 y 查找 x 的值”。这对我来说不太有意义......也许清理并澄清问题？

【讨论】：

【解决方案2】：

这不是单向的步骤。

我通过在lmfit 中使用Model 类实现了它

考虑一下。

我有一个模型函数，我命名为：MF，通过它我计算出原始数据的精确 samples。

我有原始数据：Raw_Data（例如来自传感器）

那我有一定的parameters。 (x, y, z, 样本)

现在我认为样本是independent variable。

我的目标是估计其中一个参数。

首先我必须创建一个模型类

mod = Model (MF, parameters, independant_vars = ['samples']

然后您使用 Parameters() 类设置初始参数。

并添加初始值

fit_params = Parameters()
fit_params.add('x', value = 170)
fit_params.add('y', value = 120)
fit_params.add('z', value = 110)

然后你拟合模型

Result - mod.fit(Raw_data, params = fit_params, samples = your_samples)

输出是dict。

【讨论】：