Question

（此任务使用jupyter笔记本系统）

不是

拟合希格斯质量-在下面给出一个fitter（xvalues，data，init）函数，编写一个函数fitfunc（...），描述组合的背景和信号模型以拟合数据。创建两张图片：

（a）在第一个图上用十字标记（“ +”符号）和最佳拟合曲线作为红线绘制数据，并

（b）在第二个绘图上绘制带有十字标记的残差，其中残差定义为最佳拟合模型与纯背景模型之间的差异，请参见下文。

fit函数由具有3个参数的背景模型组成

?（?）=?* exp（?1（?−105.5）+?2（?−105.5）^ 2）

信号被添加到背景，其模型为

?（?）=?/（?√（2?））* exp（-（?-?）^ 2 /（2? ^ 2））

方程式不是问题，很容易将其放入代码中，就像我在下面所做的那样：

# YOUR CODE HERE
import math
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def fitfunc(m, mu, sigma, R, A, b1, b2):
    tb1 = b1 * (m - 105.5)
    tb2 = b2 * ((m-105.5)**2)
    b = A * np.exp(tb1 + tb2)
    ts1 = R / (sigma * np.sqrt(2 * np.pi))
    ts2 = -(((m - mu)**2) / (2 * (sigma**2)))
    s = ts1 * np.exp(ts2)
    tot = b + s
    return tot
#


def fitter(xval, yval, initial):
    ''' function to fit the given data using a 'fitfunc' TBD. 
        The curve_fit function is called. Only the best fit values 
        are returned to be utilized in a main script.
    '''
    best, _ = curve_fit(fitfunc, xval, yval, p0=initial)
    return best

# Use functions with script below for plotting parts (a) and (b)

已经提供了钳工方法，所以我认为不应该更改它。

这是我绘制结果的代码：

# start value parameter definitions, see equations for s(m) and b(m).
# init[0] = mu
# init[1] = sigma
# init[2] = R
# init[3] = A
# init[4] = b1
# init[5] = b2
init = (125.8, 1.4, 470.0, 5000.0, -0.04, -1.5e-4)
xvalues = np.arange(start=105.5, stop=160.5, step=1)
data = np.array([4780, 4440, 4205, 4150, 3920, 3890, 3590, 3460, 3300, 3200, 3000, 
                 2950, 2830, 2700, 2620, 2610, 2510, 2280, 2330, 2345, 2300, 2190, 
                 2080, 1990, 1840, 1830, 1730, 1680, 1620, 1600, 1540, 1505, 1450, 
                 1410, 1380, 1380, 1250, 1230, 1220, 1110, 1110, 1080, 1055, 1050, 
                 940, 920, 950, 880, 870, 850, 800, 820, 810, 770, 760])
# YOUR CODE HERE
def main():
    arr = np.ndarray(init)
    fitt = fitfunc(xvalues, init[0], init[1], init[2], init[3], init[4], init[5])
    def plota(xval, yval):
        fig = plt.figure()
        axis1 = fig.add_axes([0.12, 0.1, 0.85, 0.85])
        axis1.plot(xval, yval, marker="+", color="red")
        axis1.set_title("Combined", size=12)
        axis1.set_xlabel("Mass [GeV]", size=12)
        plt.show()
        return
    plota(xvalues, fitt)
    plota(xvalues, fitter(xvalues, fitt, arr))
main()

在第二个代码段中，我的代码在“ #YOUR CODE HERE”之后开始，其余代码已经提供。

最后，第一次调用plota（）是找到的数据点的曲线，第二次调用是我尝试按照（a）的要求绘制“最佳拟合曲线”。第一次调用会很好，但不是问题所要的。这会产生类型错误：“'float'对象无法解释为整数”。我也尝试将它们四舍五入为整数，但是却收到此错误：“ fitfunc（）缺少6个必需的位置参数：'mu'，'sigma'，'R'，'A'，'b1'和'b2' ”。我认为第二次调用是正确的，但我不知道fitter方法的第三个参数应该是什么。浏览提供给我的笔记时，它说应该是初步的猜测，但我不知道这将是什么。

对于（b）部分，我不确定如何得到残差，我想我可以遍历从fitter方法返回的“最佳”数组，分别计算b（m）值并减去，但是我不确定问题的措辞。

谢谢您的帮助。

TypeError                                 Traceback (most recent call last)
<ipython-input-2-30fd8d6062a3> in <module>
     27     plota(xvalues, fitt)
     28     plota(xvalues, fitter(xvalues, fitt, arr))
---> 29 main()
     30 

<ipython-input-2-30fd8d6062a3> in main()
     26         return
     27     plota(xvalues, fitt)
---> 28     plota(xvalues, fitter(xvalues, fitt, arr))
     29 main()
     30 

<ipython-input-1-ac8e97799a28> in fitter(xval, yval, initial)
     22         are returned to be utilized in a main script.
     23     '''
---> 24     best, _ = curve_fit(fitfunc, xval, yval, p0=initial)
     25     return best
     26 

C:\ProgramData\Anaconda3\lib\site-packages\scipy\optimize\minpack.py in curve_fit(f, xdata, ydata, p0, sigma, absolute_sigma, check_finite, bounds, method, jac, **kwargs)
    750         # Remove full_output from kwargs, otherwise we're passing it in twice.
    751         return_full = kwargs.pop('full_output', False)
--> 752         res = leastsq(func, p0, Dfun=jac, full_output=1, **kwargs)
    753         popt, pcov, infodict, errmsg, ier = res
    754         cost = np.sum(infodict['fvec'] ** 2)

C:\ProgramData\Anaconda3\lib\site-packages\scipy\optimize\minpack.py in leastsq(func, x0, args, Dfun, full_output, col_deriv, ftol, xtol, gtol, maxfev, epsfcn, factor, diag)
    381     if not isinstance(args, tuple):
    382         args = (args,)
--> 383     shape, dtype = _check_func('leastsq', 'func', func, x0, args, n)
    384     m = shape[0]
    385 

C:\ProgramData\Anaconda3\lib\site-packages\scipy\optimize\minpack.py in _check_func(checker, argname, thefunc, x0, args, numinputs, output_shape)
     24 def _check_func(checker, argname, thefunc, x0, args, numinputs,
     25                 output_shape=None):
---> 26     res = atleast_1d(thefunc(*((x0[:numinputs],) + args)))
     27     if (output_shape is not None) and (shape(res) != output_shape):
     28         if (output_shape[0] != 1):

C:\ProgramData\Anaconda3\lib\site-packages\scipy\optimize\minpack.py in func_wrapped(params)
    456     if transform is None:
    457         def func_wrapped(params):
--> 458             return func(xdata, *params) - ydata
    459     elif transform.ndim == 1:
    460         def func_wrapped(params):

TypeError: fitfunc() missing 6 required positional arguments: 'mu', 'sigma', 'R', 'A', 'b1', and 'b2'

Answer 1

我修改了您的代码以使其运行，因此您的init数组在这里对我来说已更改。

"""."""
# YOUR CODE HERE
import math
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


def fitfunc(m, mu, sigma, R, A, b1, b2):
    """."""
    tb1 = b1 * (m - 105.5)
    tb2 = b2 * ((m-105.5)**2)
    b = A * np.exp(tb1 + tb2)
    ts1 = R / (sigma * np.sqrt(2 * np.pi))
    ts2 = -(((m - mu)**2) / (2 * (sigma**2)))
    s = ts1 * np.exp(ts2)
    tot = b + s
    return tot


def fitter(xval, yval, initial):
    """
    Function to fit the given data using a 'fitfunc' TBD.

    The curve_fit function is called. Only the best fit values
    are returned to be utilized in a main script.
    """
    best, _ = curve_fit(fitfunc, xval, yval, p0=initial)
    return best

# Use functions with script below for plotting parts (a) and (b)


# start value parameter definitions, see equations for s(m) and b(m).
# init[0] = mu
# init[1] = sigma
# init[2] = R
# init[3] = A
# init[4] = b1
# init[5] = b2
init = (126, 2, 470, 5000, 1, 5)
xvalues = np.arange(start=105.5, stop=160.5, step=1)
data = np.array([4780, 4440, 4205, 4150, 3920, 3890, 3590, 3460, 3300, 3200, 3000,
                 2950, 2830, 2700, 2620, 2610, 2510, 2280, 2330, 2345, 2300, 2190,


    2080, 1990, 1840, 1830, 1730, 1680, 1620, 1600, 1540, 1505, 1450,
             1410, 1380, 1380, 1250, 1230, 1220, 1110, 1110, 1080, 1055, 1050,
             940, 920, 950, 880, 870, 850, 800, 820, 810, 770, 760])


def main():
"""."""
arr = np.ndarray(init)
fitt = fitfunc(xvalues, init[0], init[1], init[2], init[3], init[4], init[5])

def plota(xval, yval):
    fig = plt.figure()
    axis1 = fig.add_axes([0.12, 0.1, 0.85, 0.85])
    axis1.plot(xval, yval, marker="+", color="red")
    axis1.set_title("Combined", size=12)
    axis1.set_xlabel("Mass [GeV]", size=12)
    plt.show()
    return
plota(xvalues, fitt)
plota(xvalues, fitter(xvalues, fitt, arr))


main()

请注意，主缩进是通过1个标签/空格分组关闭的。

Answer 2

我想你很亲近，但有两点：

b1和b2> 0的值可能导致指数的无限性
curve_fit的返回值是最佳参数值，而不是最佳拟合值。您必须自己计算。

您可能还想适合数据数组，对吗？我认为这可能就是您要寻找的

import math
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def fitfunc(m, mu, sigma, R, A, b1, b2):
    """comment about Higgs mass here"""
    tb1 = b1 * (m - 105.5)
    tb2 = b2 * ((m-105.5)**2)
    b = A * np.exp(tb1 + tb2)
    ts1 = R / (sigma * np.sqrt(2 * np.pi))
    ts2 = -(((m - mu)**2) / (2 * (sigma**2)))
    s = ts1 * np.exp(ts2)
    tot = b + s
    return tot

xvalues = np.arange(start=105.5, stop=160.5, step=1)
data = np.array([4780, 4440, 4205, 4150, 3920, 3890, 3590, 3460, 3300, 3200, 3000,
                 2950, 2830, 2700, 2620, 2610, 2510, 2280, 2330, 2345, 2300, 2190,
                 2080, 1990, 1840, 1830, 1730, 1680, 1620, 1600, 1540, 1505, 1450,
                 1410, 1380, 1380, 1250, 1230, 1220, 1110, 1110, 1080, 1055, 1050,
                 940, 920, 950, 880, 870, 850, 800, 820, 810, 770, 760])

# start value parameter definitions, see equations for s(m) and b(m).
# init[0] = mu
# init[1] = sigma
# init[2] = R
# init[3] = A
# init[4] = b1
# init[5] = b2

init = np.array([125.8, 2, 470, 5000., -0.05, -0.001])

init_fit = fitfunc(xvalues, *init)

best, _ = curve_fit(fitfunc, xvalues, data, p0=init)
print(best)

best_fit = fitfunc(xvalues, *best)

plt.plot(xvalues, data, color='red', marker='+', label='data')
plt.plot(xvalues, init_fit, color='black',  label='init')
plt.plot(xvalues, best_fit, color='blue',  label='fit')
plt.gca().set_title("Combined", size=12)
plt.gca().set_xlabel("Mass [GeV]", size=12)
plt.legend()
plt.show()

如果您允许的话，我也建议您使用lmfit（http://lmfit.github.io/lmfit-py/）（披露：我是作者之一）。使用该库，上面带有curve_fit的代码将转换为

import lmfit
h_model = Model(fitfunc)
params = h_model.make_params(mu=125.8, sigma=2, R=470, 
                             A=5000, b1=-0.05, b2=-0.001)
result = h_model.fit(data, params, m=xvalues)

print(result.fit_report())

plt.plot(xvalues, data, color='red', marker='+', label='data')
plt.plot(xvalues, result.init_fit, color='black',  label='init')
plt.plot(xvalues, result.best_fit, color='blue',  label='fit')
plt.gca().set_title("Combined", size=12)
plt.gca().set_xlabel("Mass [GeV]", size=12)
plt.legend()
plt.show()

请注意，在使用lmfit的情况下，将使用函数自变量命名。在lmfit中，所有参数都可以有边界，因此您可以执行类似的操作

params['b1'].max = 0.0

确保b1保持负数您还可以固定任何参数值。还有许多其他功能。

此拟合的打印报告将包括不确定性和相关性的估计以及拟合统计：

[[Model]]
    Model(fitfunc)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 100
    # data points      = 55
    # variables        = 6
    chi-square         = 106329.424
    reduced chi-square = 2169.98824
    Akaike info crit   = 428.183028
    Bayesian info crit = 440.227027
[[Variables]]
    mu:     125.940465 +/- 0.34609625 (0.27%) (init = 125.8)
    sigma:  1.52638256 +/- 0.37354633 (24.47%) (init = 2)
    R:      677.016219 +/- 163.585050 (24.16%) (init = 470)
    A:      4660.71073 +/- 24.3437093 (0.52%) (init = 5000)
    b1:    -0.04279037 +/- 7.7658e-04 (1.81%) (init = -0.05)
    b2:     1.7476e-04 +/- 1.7587e-05 (10.06%) (init = -0.001)
[[Correlations]] (unreported correlations are < 0.100)
    C(b1, b2)    = -0.952
    C(A, b1)     = -0.775
    C(sigma, R)  =  0.655
    C(A, b2)     =  0.650
    C(R, b1)     = -0.492
    C(R, b2)     =  0.445
    C(sigma, b1) = -0.317
    C(sigma, b2) =  0.287
    C(R, A)      =  0.230
    C(sigma, A)  =  0.146

，情节看起来像

使用curve_fit

2 个答案: