我正在使用 scipy.optimize.curve_fit
将曲线拟合到我拥有的一些数据。在大多数情况下,曲线似乎非常适合。出于某种原因,当我打印出来时 pcov = inf。
我真正需要的是计算与我拟合的参数相关的误差,并且我不确定如何准确地做到这一点,即使它确实给了我协方差矩阵。
适合的模型是:
def intensity(x,R_out,R_in,K_in,K_out,a,b,c):
K_in,K_out = abs(0.0),abs(K_out)
if x<=R_in:
return 2*R_out*(K_out*np.sqrt(1-x**2/R_out**2)-
(K_out-0.0)*np.sqrt(R_in**2/R_out**2-x**2/R_out**2)) + c
elif x>=R_in and x<=R_out:
return K_out*2*R_out*np.sqrt(1-x**2/R_out**2) + c
elif x>R_out:
return c
intensity_vec = np.vectorize(intensity)
def intensity_vec_self(x,R_out,R_in,K_in,K_out,a,b,c):
y = np.zeros(x.shape)
for i in range(len(y)):
y[i]=intensity_vec(x[i],R_out,R_in,K_in,K_out,a,b,c)
return y
有 400 个数据点,如果您认为有帮助,我可以把它放在这里。
总而言之,我无法让 curve_fit
打印出我的 pcov
并且需要帮助来弄清楚为什么以及我是否可以这样做。
此外,如果这是一个快速的解释,我想知道如何使用 pcov
数组来获得与我的拟合相关的错误。
谢谢
最佳答案
参数的方差是方差-协方差矩阵的对角线元素,标准误差是它的平方根。 np.sqrt(np.diag(pcov))
关于获取inf
,看这两个例子对比一下:
In [129]:
import numpy as np
def func(x, a, b, c, d):
return a * np.exp(-b * x) + c
xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5, 1)
ydata = y + 0.2 * np.random.normal(size=len(xdata))
popt, pcov = so.curve_fit(func, xdata, ydata)
print np.sqrt(np.diag(pcov))
[ inf inf inf inf]
和:
In [130]:
def func(x, a, b, c):
return a * np.exp(-b * x) + c
xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5)
ydata = y + 0.2 * np.random.normal(size=len(xdata))
popt, pcov = so.curve_fit(func, xdata, ydata)
print np.sqrt(np.diag(pcov))
[ 0.11097646 0.11849107 0.05230711]
在这个极端的例子中,d
对函数func
没有影响,因此它会与+inf
的方差相关联,或者换句话说,它可以是任何值。从 func
中删除 d
将得到有意义的东西。
实际上,如果参数的比例非常不同,比如:
def func(x, a, b, c, d):
#return a * np.exp(-b * x) + c
return a * np.exp(-b * x) + c + d*1e-10
由于 float 上溢/下溢,您还将获得 inf
。
在您的情况下,我认为您从未使用过a
和b
。所以它就像这里的第一个例子。
关于python - 从 scipy.optimize.curve_fit 获取与参数估计相关的标准误差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/25234996/