Подгонка данных с помощью Curve_fit не верна - PullRequest
Новая
       17

Подгонка данных с помощью Curve_fit не верна

1 голос
/ 15 апреля 2019

У меня есть некоторые экспериментальные данные, которые необходимо установить, чтобы мы могли выяснить значение x для определенного значения y.

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
from scipy.interpolate import interp1d
#from xlrd import open_workbook


points = np.array([(0, -0.0142294), (20, 0.0308458785714286), (50, 
 0.1091054), (100
 ,0.2379176875), (200, 0.404354166666667)])
x = points[:,0]
y = points[:,1]
def func(x, p1,p2):
  return p1*(1-np.e**(-p2*x))

popt, pcov = curve_fit(func, x, y)
p1 = popt[0]
p2 = popt[1]

curvex=np.linspace(0,200,1000)
fit = func(curvex, p1, p2)
plt.plot(x, y, 'yo', label='data')

f = interp1d(fit, curvex, kind = 'nearest')
print (f(100))
plt.plot(curvex,fit,'r', linewidth=1)

plt.plot(x,y,'x',label = 'Xsaved')

plt.show()

Данные установлены неправильно.Помощь будет высоко ценится.

1 Ответ

0 голосов
/ 15 апреля 2019

Вот пример графического сборщика, использующего ваши данные и уравнение, с генетическим алгоритмом scipy diff_evolution, используемым для предоставления начальных оценок параметров.Скупая реализация Дифференциальной Эволюции использует алгоритм Латинского гиперкуба для обеспечения тщательного поиска пространства параметров, а для этого требуются границы, в которых можно искать.В этом примере я использовал максимальные и минимальные значения данных в качестве границ поиска, в этом случае это работает.Обратите внимание, что гораздо проще найти диапазоны для поиска, чем конкретные значения. 

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


points = numpy.array([(0, -0.0142294), (20, 0.0308458785714286), (50, 0.1091054), (100 ,0.2379176875), (200, 0.404354166666667)])
x = points[:,0]
y = points[:,1]

# rename to match previous example code below
xData = x
yData = y


def func(x, p1,p2):
  return p1*(1-numpy.exp(-p2*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():
    # min and max used for bounds
    maxX = max(xData)
    minX = min(xData)
    maxY = max(yData)
    minY = min(yData)

    minAllData = min(minX, minY)
    maxAllData = min(maxX, maxY)

    parameterBounds = []
    parameterBounds.append([minAllData, maxAllData]) # search bounds for p1
    parameterBounds.append([minAllData, maxAllData]) # search bounds for p2

    # "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)

plot

...