Я создаю единый вектор вероятностей, добавляю вес к региону, снова превращаюсь в вероятности. Я хочу сгладить кривую, подгоняя распределение beta к кривой. Я не могу использовать stats.beta.fit, потому что у меня нет ничьих из этих вероятностей, только каркас для кривой.
Как мне настроить функцию из scipy.stats для работы с scipy.optimize.curve_fit? Я не хочу ограничивать ее только beta дистрибутивами, если это возможно. Есть ли общий способ преобразовать их в форму, которую можно минимизировать для оптимизации набора параметров?
По сути, я ищу набор параметров, который наилучшим образом соответствует кривой для конкретного распределения (в данном случае beta).
Есть идеи?
# Uniform probabilities
n = 10
x = np.linspace(0,1,n)
probs_num = np.ones(n)/n # y-values
# Update the mass around an area
idx_update = 2
probs_num[idx_update] += 0.382
# Convert fo probs
probs_num = probs_num/probs_num.sum()
# Plot
with plt.style.context("ggplot"):
fig, ax = plt.subplots()
ax.plot(x,probs_num)
ax.set_ylabel("Density")
ax.set_xlabel("$x$")
probs_num
from scipy.optimize import curve_fit
from scipy import stats
popt, pcov = curve_fit(stats.beta, x, probs_num) # NOTE: I know this is the wrong way to use it but I'm leaving it as a placeholder
В ответ на ответ lm ниже:
import lmfit
def beta_fcn(x, alpha, beta, loc):
return stats.beta.pdf(x, alpha, beta, loc)
bmodel = lmfit.Model(beta_fcn)
params = bmodel.make_params(alpha=1, beta=1., loc=0.5)
result = bmodel.fit(probs_num, params, x=x)
# ---------------------------------------------------------------------------
# ValueError Traceback (most recent call last)
# <ipython-input-34-61ec32095934> in <module>()
# 4 bmodel = lmfit.Model(beta_fcn)
# 5 params = bmodel.make_params(alpha=1, beta=1., loc=0.5)
# ----> 6 result = bmodel.fit(probs_num, params, x=x)
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/model.py in fit(self, data, params, weights, method, iter_cb, scale_covar, verbose, fit_kws, nan_policy, **kwargs)
# 871 scale_covar=scale_covar, fcn_kws=kwargs,
# 872 nan_policy=self.nan_policy, **fit_kws)
# --> 873 output.fit(data=data, weights=weights)
# 874 output.components = self.components
# 875 return output
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/model.py in fit(self, data, params, weights, method, nan_policy, **kwargs)
# 1215 self.userkws.update(kwargs)
# 1216 self.init_fit = self.model.eval(params=self.params, **self.userkws)
# -> 1217 _ret = self.minimize(method=self.method)
# 1218
# 1219 for attr in dir(_ret):
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/minimizer.py in minimize(self, method, params, **kws)
# 1636 val.lower().startswith(user_method)):
# 1637 kwargs['method'] = val
# -> 1638 return function(**kwargs)
# 1639
# 1640
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/minimizer.py in leastsq(self, params, **kws)
# 1288 np.seterr(all='ignore')
# 1289
# -> 1290 lsout = scipy_leastsq(self.__residual, variables, **lskws)
# 1291 _best, _cov, infodict, errmsg, ier = lsout
# 1292 result.aborted = self._abort
# ~/anaconda/envs/python3/lib/python3.6/site-packages/scipy/optimize/minpack.py in leastsq(func, x0, args, Dfun, full_output, col_deriv, ftol, xtol, gtol, maxfev, epsfcn, factor, diag)
# 385 maxfev = 200*(n + 1)
# 386 retval = _minpack._lmdif(func, x0, args, full_output, ftol, xtol,
# --> 387 gtol, maxfev, epsfcn, factor, diag)
# 388 else:
# 389 if col_deriv:
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/minimizer.py in __residual(self, fvars, apply_bounds_transformation)
# 489 if not self._abort:
# 490 return _nan_policy(np.asarray(out).ravel(),
# --> 491 nan_policy=self.nan_policy)
# 492
# 493 def __jacobian(self, fvars):
# ~/anaconda/envs/python3/lib/python3.6/site-packages/lmfit/minimizer.py in _nan_policy(arr, nan_policy, handle_inf)
# 1846
# 1847 if contains_nan:
# -> 1848 raise ValueError("The input contains nan values")
# 1849 return arr
# 1850
# ValueError: The input contains nan values