利用LMFIT中的不确定性进行误差加权拟合

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')

得到非常合理的结果

现在我也有一些与我的measured变量相关的不确定性（例如测量误差），所以我想用与之相关的标准误差来加权残差中的点（假设它一直是测量值的20%）。代码现在变成这样：

^{pr2}$

问题是现在我得到了完全不可靠的拟合结果。为什么？我该怎么解决这个问题？在

Answer 1

“完全不可靠”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可以允许负值或零。请注意，如果残差中有nan或Infs，则拟合将无法正常工作，并且几乎可以肯定地将参数值保留在其起始值上。在

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