我正在使用lmfit最小化以在3D点的数据集上拟合3D线。
from lmfit import minimize, Parameters, report_fit,fit_report, printfuncs
import numpy as np
#Parameters of parametric equations:
#x = p[0] + p[1]*t;
#y = p[2] + p[3]*t;
#z = t;
params = Parameters()
params.add('x0', value= 1)
params.add('x1', value= 1)
params.add('y0', value= 1)
params.add('y1', value= 1)
#Function to be minimized - sum of distances between the line and each point
def fun(params,x,y,z):
x0 = params['x0'].value; x1 = params['x1'].value
y0 = params['y0'].value; y1 = params['y1'].value
d = 0
v0 = np.array([x0, y0, 0.0])
v1 = np.array([x0+x1, y0+y1, 1.])
for point in range(len(x)):
p = np.array([x[point], y[point], z[point]])
d += np.linalg.norm(np.cross(v1-v0,v0-p))/np.linalg.norm(v1-v0)
return d
result = minimize(fun, params,args=(x,y,z)))
result.params.pretty_print()
print(fit_report(result))
错误是TypeError:输入不当:N = 4不得超过M = 1.
据我所知,这是因为只有1个残差(距离)和4个参数,但这正是我所需要的。我想优化4个参数以获得最小距离之和。
答案 0 :(得分:1)
问题是在你的情况下fun
会返回一个标量。这对于某些方法来说没什么问题,但正如你所说的那样least_squares
需要一个数组。我认为重写你的目标函数以便它返回一个数组应该解决这个问题 - 看一下描述和例子here。
答案 1 :(得分:0)
似乎是一个方法问题。
目标函数应返回要最小化的值。对于来自leastsq()或least_squares()的> Levenberg-Marquardt算法,此>返回值必须是一个数组,其长度大于或等于>模型中拟合变量的数量。
使用Nelder,我得到了结果。 虽然不正确。所以仍然不确定代码。
答案 2 :(得分:0)
对于使用Levenberg-Marquardt最小化(lmfit.minimize()
的默认方法),您应该返回距离的ndarray。也就是说,不要自己制作最小二乘法。通过返回完整数组(对特定参数值集的所有距离观察),您可以使拟合算法更好地探索参数对拟合质量的影响。