Question

我想为某些数据拟合S形曲线。由于SageMath包含find_fit功能失败，我尝试直接使用scipy.optimize.curve_fit。它没有做得很好，结果对最初的猜测非常敏感，经常被卡在上面，所以我试图提供一个雅各布派，希望这会有所帮助。雅可比函数需要采用什么形式？现在，我的代码如下：

#Compute the Jacobian (using SageMath)
c=8
x4Sigmoid(x) = c*x^n/(h+x^n)
sigjac = jacobian(x4Sigmoid, [n,h]) 

from scipy.optimize import curve_fit
from numpy import inf, power

#Define sigmoid function as Python function
def sigmoid(x, n, h):
    return 8*power(x,n)/(h+power(x,n))

def jacfun(x, *args):
    h,n = args[0]
    return sigjac(x,h=h,n=n)

#Separate x and y values of data
x4xData = [val[0] for val in x4ciscoperchRelAbundanceData]
x4yData = [val[1] for val in x4ciscoperchRelAbundanceData]

#Do the fitting
popt, pcov = curve_fit(sigmoid, x4xData, x4yData, p0=[3,4], bounds = ([1, 0], [inf, inf]), jac=jacfun)
show(popt)

这会产生错误消息ValueError: too many values to unpack。我如何为SciPy提供它可以使用的雅可比？或者我应该尝试别的吗？

如何为SciPy curve_fit提供雅可比行列式

0 个答案: