我正在尝试使用y= 1-a(1-bx)**n
将函数scipy curve_fit
拟合到一些实验数据。该模型仅在y> 0时存在,因此我裁剪了计算值以强制执行此操作。代码如下所示
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()
我还使用SCIPY MINIMIZE实现相同的目的。如下图所示,MINIMIZE可以工作,但是CURVE_FIT基本上用尽了精力,甚至放弃了,尽管开始的猜测与MINIMIZE解决方案相差不远(至少在视觉上)。感谢您对为何curve_fit似乎在这里不起作用的任何想法。
谢谢!
此问题是由函数定义中的裁剪引起的。两种最小化方法的工作原理根本不同,因此,对削波的反应也大不相同。这里minimize
与Nelder-Mead
一起使用,这是一种无梯度方法。因此,该算法不计算数值梯度,也不估计任何雅可比行列式。与之相反,最终由least-squares
调用的curve_fit
正是这样做的。但是,如果函数不连续,则近似梯度并由此得出任何雅可比行列式都存在一定问题。如前所述,这种不连续性是由np.clip
引入的。删除后,可以很容易地看出P0
的猜测不如包含裁剪的结果好。 curve_fit
确实会随着maxfev=5000
的增加而收敛,而minimize
在将方法更改为method='CG'
时会立即失败。要查看算法困难,可以尝试手动提供jac
。