Question

我是这个统计问题的新手。

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中，以便可以对y中的每个点计算x的值。

假设我要拟合的模型是

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，该怎么办？

基本上，当我将x作为变量传递时，我正在传递一个数组，该数组对应于我的数据集中的特定点。但是，我想使用x作为参数，因为我想为数据x的某些点找到y的值。

Answer 1

参数和拟合变量是标量浮点数。也就是说，它们具有一个可以连续取值范围的值。

您是说要让x的每个元素在适合度方面独立变化吗？

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{{1 }}尽可能小。

您不完整的代码段（很明显，总是总是包括一个完整的示例）不会这样做-它不会将y - func(x, a, b, c)传递到{{1 }}。

更重要的是，您似乎正在寻找“为数据y的某些点找到func的值”。这对我来说没有任何意义。...也许可以清理并澄清问题？

Answer 2

这不是一个单向的步骤。

我通过在Model中使用lmfit类实现了它

考虑这个。

我有一个模型函数，命名为：MF，通过它我可以计算出原始数据中的精确samples。

我有原始数据：Raw_Data（例如来自传感器的数据）

然后我有一定的parameters。（x，y，z个样本）

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Model类

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

然后使用Parameters（）类设置初始参数。

并添加初始化值

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

然后您适合模型

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

输出为dict。