我试图用非线性参数估计重现一篇论文中的一些结果,然而,问题是,当我使用curve_fit
时,我得到的只是一个1的数组,而不是任何接近我应该得到的结果的数组
我提供了一个最低限度的工作示例,以说明我得到了什么以及实际结果:
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
xdata = np.array([0.00, 27.01,84.15,134.66,178.74,217.00,250.20,279.06,304.24,
326.29,346.71,362.87,378.13,391.75,403.96,414.96])
ydata = np.array([0.00,440.00,933.00,1154.00,1226.00,1222.00,1185.00,
1134.00,1081.00,1031.00,984.00,942.00,904.00,870.00,840.00,814.00])
# Non-Linear Estimation Function
def func(V,A,d):
return A*V*exp(-1*d*V)
popt, pcov = curve_fit(func,xdata,ydata)
popt
array([1., 1.])
我应该得到的实际结果如下:
param = estimate (standard err)
A = 17.6 (0.132)
d = 5.27 x 10^-3 (2.61 x 10^-5)
Scipy;s curve_fit()例程使用所有1.0值进行初始参数估计(如果未提供任何值)。如果curve_fit()无法对初始参数估计值进行任何改进,它将简单地返回它们-这就是为什么您会得到所有1.0的“拟合”参数值。这是一个图形化的Python fitter,其中包含您的数据和方程,使用scipy的微分进化遗传算法模块为非线性fitter提供初始参数估计。该scipy模块使用拉丁超立方体算法来确保对参数空间的彻底搜索,这需要搜索的范围。在本例中,这些边界是从数据“最大值”和“最小值”导出的。请注意,为参数提供范围要比给出特定值容易得多
相关问题 更多 >
编程相关推荐