RuntimeError: использование curve_fit в Python - PullRequest
Новая
       37

RuntimeError: использование curve_fit в Python

1 голос
/ 04 июля 2019

Я новичок в Python, и я пытаюсь использовать небольшой фрейм данных и построить его.Но я также хочу использовать curve_fit для получения значений некоторого параметра. 

######Fitting Using Data Frame######

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

#   Data into a dictionary
data = {'keV':[22.16,32.19,8.05,17.48,13.39,44.47,5],'ToT':[31.68,39.87,10.67,26.38,21.4,53.56,0]}

#   Create dataframe and get only the values of arrays
df = pd.DataFrame(data)
xdata = df['keV'].values
ydata = df['ToT'].values

#   Main function for the mathematical method
def main_test(x, a, b,c,t):
    return a*x +b - c/(x-t)

#   Guess of the fit values
guess = [1,1,100,150]

n = len(xdata)
#   Empty np array that will get these values
y = np.empty(n)
#   Repeat in all these times

c, cov = curve_fit(main_test,xdata,ydata)
#    THE MOST IMPORTANT PART OF THE CODE. TO GET THE PARAMETERS VALUES.
print(c)

for sample in range(n):
#   Populating y with guess numbers = Prediction
   y[sample] = main_test(xdata[sample],a[0],b[1],c[2],t[3])

    plt.figure(figsize=(6,4))
    plt.scatter(xdata,ydata)
    plt.plot(xdata, y,'r.')
    plt.show()

RuntimeError: Оптимальные параметры не найдены: число вызовов функции достигло maxfev = 1000.

1 Ответ

0 голосов
/ 04 июля 2019

Это был вопрос поиска хороших стартовых параметров.Вот графический решатель, использующий ваши данные и уравнение, с модулем генетического алгоритма scipy diff_evolution, используемым для определения начальных оценок параметров для curve_fit ().Этот модуль scipy использует алгоритм Latin Hypercube для обеспечения тщательного поиска пространства параметров, требующего границ для поиска.Поскольку границы поиска могут быть великодушными, я сначала попробовал границы поиска +/- 100,0 для всех параметров, и это сработало.

plot

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

keV = [22.16,32.19,8.05,17.48,13.39,44.47,5]
ToT = [31.68,39.87,10.67,26.38,21.4,53.56,0]

# rename data to re-use previous example code
xData = numpy.array(keV)
yData = numpy.array(ToT)


# mathematical model
def func(x, a, b,c,t):
    return a*x +b - c/(x-t)


# 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([-100.0, 100.0]) # search bounds for a
    parameterBounds.append([-100.0, 100.0]) # search bounds for b
    parameterBounds.append([-100.0, 100.0]) # search bounds for c
    parameterBounds.append([-100.0, 100.0]) # search bounds for t

    # "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('keV') # X axis data label
    axes.set_ylabel('ToT') # Y axis data label

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

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