Question

我正在寻找输出拟合参数中不确定度的最简单方法。使用spo.curve_fit，我们在拟合时得到协方差矩阵，我们可以采用对角线和平方根来找出不确定性。有了lmfit，它似乎并不那么简单。

我的拟合看起来像这样：

import lmfit 


a_lm2 = lmfit.Parameter('a', value=a_est)
b_lm2 = lmfit.Parameter('b', value=b_est)
x0_core_lm2 = lmfit.Parameter('x0_core', value=gaus1['x0_core'])
x0_1_lm2 = lmfit.Parameter('x0_1', value=gaus1['x0_1'])
x0_2_lm2 = lmfit.Parameter('x0_2', value=gaus1['x0_2'])
x0_3_lm2 = lmfit.Parameter('x0_3', value=gaus1['x0_3'])
x0_4_lm2 = lmfit.Parameter('x0_4', value=gaus1['x0_4'])
sig_core_lm2 = lmfit.Parameter('sig_core', value=gaus1['sig_core'])
sig_1_lm2 = lmfit.Parameter('sig_1', value=gaus1['sig_1'])
sig_2_lm2 = lmfit.Parameter('sig_2', value=gaus1['sig_2'])
sig_3_lm2 = lmfit.Parameter('sig_3', value=gaus1['sig_3'])
sig_4_lm2 = lmfit.Parameter('sig_4', value=gaus1['sig_4'])
m_lm2 = lmfit.Parameter('m', value=m, vary=False)
c_lm2 = lmfit.Parameter('c', value=c, vary=False)


gausfit2 = mod.fit(y, x=x, a=a_lm2, b=b_lm2, x0_core=x0_core_lm2, x0_1=x0_1_lm2, x0_2=x0_2_lm2,

x0_3=x0_3_lm2, x0_4=x0_4_lm2, sig_core=sig_core_lm2, sig_1=sig_1_lm2, sig_2=sig_2_lm2,

sig_3=sig_3_lm2, sig_4=sig_4_lm2, m=m_lm2, c=c_lm2,weights=None, scale_covar=False)


print 'a_lm2_unc =', a_lm2.stderr

当我生成拟合报告时，我得到不确定性值，因此它们显然正在计算中。我的问题是打电话给他们并使用它们。我尝试使用stderr打印参数的不确定性，如上面代码的最后一行，但这只是返回＆＃39;无＆＃39;。我可以得到一个协方差矩阵，但我不知道它的显示顺序。我的最终目标只是让我可以将值和相关的不确定性放入数组中并在我的代码中进一步使用。 / p>

Answer 1

因为我没有你的数据，所以我无法测试它，但看起来你几乎就在那里。您的“gausfit2”应该是ModelFit对象（http://cars9.uchicago.edu/software/python/lmfit/model.html#model.ModelFit）。因此，生成报告所需要做的就是：

print gausfit2.fit_report #will print you a fit report from your model

#you should also be able to access the best fit parameters and other associated attributes. For example, you can use gausfit2.best_values to obtain a dictionary of the best fit values for your params, or gausfit2.covar to obtain the covariance matrix you are interested in. 

print gausfit2.covar

#one suggestion to shorten your writing is to just create a parameters class with a shorter name and add your params to that.

params = lmfit.Parameters()
params.add('a', value=a_est) #and so on...

干杯！

Answer 2

不确定性隐藏在.stderr属性下的模型中。例如：

gmodel = Model(function_tofit)
fit_params = Parameters()
fit_params.add('parameter1',value=guess1)
fit_params.add('parameter2',value=guess2)
...
result = gmodel.fit(y_to_fit, fit_params, x = x_to_fit)

#get the output value of the fit
mean_fit_value = result.params['parameter1'].value
std_fit_value = result.params['parameter1'].stderr

在您的情况下，您打印了fit_params ['your_parameter']。stderr，由于您没有在参数上事先指定任何内容，因此显然为None。请记住，fit_params是您的输入，而params是您想要的输出。

lmfit

2 个答案: