我有一个分为两个列表的数字数据集。它由 round(mx+t) 形式的函数生成。我想找到函数参数并决定使用 Scipy。
我已将两个数据数组的值缩减为以下示例:
x: [26 73 269 361 757]
y: [7 21 77 103 216]
这是我的代码,没有对 m*x+t 的结果进行四舍五入。到目前为止,一切正常。
x_data_num = array(x_data)
y_data_num = array(y_data)
def test_func(x, m, t):
return m*x+t
params, params_covariance = optimize.curve_fit(test_func,
x_data_num, y_data_num)
print(params)
我首先尝试使用 return round(m*x+t) 实现舍入,但后来发现参数不包含值。 (TypeError:类型 numpy.ndarray 没有定义 __round__ 方法)
因此我决定使用 return np.round(m*x+t),但它也不起作用,给我留下了错误的参数 [1. 1.]
我怀疑我所有的努力都只是围绕最终参数,但我不确定去哪里寻找答案。 This文档帮不上忙。
请您参考如下方法:
您的函数是局部常数,因此许多优化方法都依赖于 m 和 t 的小增量才能正常工作。
如果你知道你的变量 m 和 t 的一些边界,你可以暴力破解你的结果,或者手动(只需循环两个 np.arange() 为 m 和 t,并找到最小值),或者使用 scipy.optimize.brute() .
举一个工作示例,使用您的数据:
import numpy as np
import scipy.optimize as optimize
x_data_num = np.array([26, 73, 269, 361, 757])
y_data_num = np.array([7, 21, 77, 103, 216])
def test_func(x, m, t):
return np.round(m*x+t)
def func_to_minimize(p):
return np.sum(np.abs(test_func(x_data_num, p[0], p[1]) - y_data_num))
x0 = optimize.brute(func_to_minimize, ranges=[slice(-1.,1.,0.1),slice(-1.,1.,0.1)])
print(x0)
请注意,如果您的切片很大/包含很多点,这可能会非常慢。
