Как мне использовать scipy, оптимизировать подгонку кривой с panda df - PullRequest
Новая
       20

Как мне использовать scipy, оптимизировать подгонку кривой с panda df

1 голос
/ 18 марта 2019

Это мой первый пост здесь, я часами искал этот ответ, но не могу понять это. Я использовал панд для передачи .csv в матрицу np. Оттуда я попытался применить простую подгонку кривой, но результат, который я получаю, постоянно неверен. код будет отображаться неправильно и не будет отображать данные. 

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

df = pd.read_csv("Results.csv")
xdata = df['Frame'].as_matrix()
ydata = df['Area'].as_matrix()

def func(x, a, b, c):
    return (a*np.sin(b*x))+(c * np.exp(x))
popt, pcov = curve_fit(func, xdata, ydata)

plt.plot(xdata, func(xdata, *popt), 'r-',
        label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(popt))
popt, pcov = curve_fit(func, xdata, ydata)

plt.plot(xdata, func(xdata, *popt), 'g--',
          label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(popt))
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

Вот как выглядят данные: This is what the data looks like

Заранее спасибо за помощь.

1 Ответ

0 голосов
/ 18 марта 2019

Ваша модель содержит "exp (x)", а файл данных содержит значения x, равные 1000, и это дает математические ошибки переполнения независимо от начальных значений - оптимизатор не может найти выход из этой проблемы, и вы должны изменитьуравнение, чтобы соответствовать этому набору данных.Я могу предложить другие уравнения, но этот набор данных не может быть вписан в опубликованное уравнение.

РЕДАКТИРОВАТЬ : согласно вашему комментарию о делении на 100, здесь приведен код с использованием модуля генетического алгоритма Scipy's diffrential Evolution.чтобы найти начальные оценки параметров, которые используют алгоритм Латинского гиперкуба для обеспечения тщательного поиска пространства параметров - этому алгоритму требуются границы, в которых нужно искать, а диапазоны параметров гораздо легче найти, чем точные начальные значения параметров.Здесь я попробовал несколько диапазонов и получил то, что, вероятно, лучше всего подходит здесь, из того, что я вижу.

plot

import pandas as pd
import numpy, scipy, matplotlib
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
from scipy.optimize import differential_evolution
import warnings


df = pd.read_csv("Results.csv")
xData = df['Frame'].as_matrix() / 100.0
yData = df['Area'].as_matrix()

def func(x, a, b, c):
    return (a*numpy.sin(b*x))+(c * numpy.exp(x))


# function for genetic algorithm to minimize (sum of squared error)
def sumOfSquaredError(parameterTuple):
    warnings.filterwarnings("ignore") # do not print warnings by genetic algorithm
    val = func(xData, *parameterTuple)
    return numpy.sum((yData - val) ** 2.0)


def generate_Initial_Parameters():

    parameterBounds = []
    parameterBounds.append([0.0, 100.0]) # search bounds for a
    parameterBounds.append([0.0, 1.0]) # search bounds for b
    parameterBounds.append([0.0, 1.0]) # search bounds for c

    # "seed" the numpy random number generator for repeatable results
    result = differential_evolution(sumOfSquaredError, parameterBounds, seed=3)
    return result.x

# by default, differential_evolution completes by calling curve_fit() using parameter bounds
geneticParameters = generate_Initial_Parameters()

# now call curve_fit without passing bounds from the genetic algorithm,
# just in case the best fit parameters are aoutside those bounds
fittedParameters, pcov = curve_fit(func, xData, yData, geneticParameters)
print('Fitted parameters:', fittedParameters)
print()

modelPredictions = func(xData, *fittedParameters) 

absError = modelPredictions - yData

SE = numpy.square(absError) # squared errors
MSE = numpy.mean(SE) # mean squared errors
RMSE = numpy.sqrt(MSE) # Root Mean Squared Error, RMSE
Rsquared = 1.0 - (numpy.var(absError) / numpy.var(yData))

print()
print('RMSE:', RMSE)
print('R-squared:', Rsquared)

print()


##########################################################
# graphics output section
def ModelAndScatterPlot(graphWidth, graphHeight):
    f = plt.figure(figsize=(graphWidth/100.0, graphHeight/100.0), dpi=100)
    axes = f.add_subplot(111)

    # first the raw data as a scatter plot
    axes.plot(xData, yData,  'D')

    # create data for the fitted equation plot
    xModel = numpy.linspace(min(xData), max(xData))
    yModel = func(xModel, *fittedParameters)

    # now the model as a line plot
    axes.plot(xModel, yModel)

    axes.set_xlabel('X Data') # X axis data label
    axes.set_ylabel('Y Data') # Y axis data label

    plt.show()
    plt.close('all') # clean up after using pyplot

graphWidth = 800
graphHeight = 600
ModelAndScatterPlot(graphWidth, graphHeight)
...