Question

我正在尝试使用LMFIT拟合模型，我可以轻松地执行以下操作：

def loss_function(params):
  residuals = []
  for x, measured in ...:
     y = predict(x, params)
     residuals.append(y - measured)
  return residuals

params = Parameters()
params.add(...)

model = Minimizer(loss_function, params)
result = model.minimize(method='leastsq')

获得非常合理的结果

现在我还有一些与我的measured变量相关的不确定性（例如测量误差），所以我想通过与之相关的标准误差对残差中的点进行加权（假设它始终是20％的测量值）。代码现在变成这样：

def loss_function(params):
  residuals = []
  for x, measured in ...:
     y = predict(x, params)
     residuals.append((y - measured) / (measured * 0.2))
  return residuals

params = Parameters()
params.add(...)

model = Minimizer(loss_function, params)
result = model.minimize(method='leastsq')

问题是现在我的拟合结果完全不可靠。为什么？我该如何解决这个问题？

Answer 1

＆＃34;完全不可靠＆＃34;的性质是什么？您可能希望数据中的不确定性严格为正 - 使用measured* 0.2可能允许负值或零。请注意，如果残差中存在NaN或Infs，则拟合将无法正常工作，并且几乎可以肯定将参数值保留为其起始值。

FWIW，您可以使用fcn_args Minimizer参数将参数传递给目标函数（用于测量，不确定性等）。

使用LMFIT中的不确定性进行误差加权拟合

1 个答案: