Ändern Sie die Anzahl der Parameter in einer Funktion und im kleinsten Quadrat (globale Anpassung)

Question

Ich möchte eine globale Anpassung einer Reihe von Daten machen. Die Gleichung hat 5 Parameter (r1r2dwpopkex). Wenn ich eine individuelle Anpassung mache, habe ich diese Parameter für 1 Eingabedatei und das ist ok, ich kann das tun. Aber wenn ich versuche, eine globale Anpassung vorzunehmen, habe ich viele Probleme. In der Tat, wenn ich 2 Eingabedatei verwenden möchten, und ich nehme an, dass ich möchte, dass sie pop und kex teilen werde ich mit 8 Parameter am Ende (r11r21r12r22dw1dw2popkex) mit 3 werde ich 11 Parameter und so weiter ...

ich habe versucht, eine Schleife zu machen, jedes Mal den Wert der Parameter auf diese Weise zu ändern

def fit_function(r1[i], r2[i], kex, pop, dw[i]): 
    return (complicated function) 

def residuals(p, x, y, z, err): 
    r1, r2, kex, pop, dw = p 
    return (y - fit_function(r1, r2, kex, pop, dw))/err 

dann beginne ich mit dem kleinsten Quadrate:

kex = 1311 
pop = 0.025 
dw = [-300,500,700,650] 
while i < len(r1): 
    p0 = [r1[i], r2[i], kex, pop, dw[i]] 
    plsq = leastsq(residuals, p0, args=(x, y, z, err), 
        full_output = True, 
        xtol = 1e-15, 
        ftol = 1e-15, 
        factor = 1) #check in function 

    pres, cov_x, infodict, mesg, ier = plsq 
    print pres[0], pres[1], pres[2], pres[3], pres[4] 

Das Problem ist, ich möchte alle Parameter gleichzeitig anpassen, aber ich weiß nicht, wie es geht. Auf diese Weise bin ich passend r11r21dw1k und pop das erste Mal, dann r12r22dw2k und pop gleichzeitig ....

ich jetzt nicht heißen das wirklich zu lösen .... Jeder Vorschlag ? Dank

import numpy as np 
import scipy 
from scipy.optimize import leastsq, fmin_tnc 
from numpy import sin, cos, arctan, pi, sqrt 
from numpy.random import standard_normal 
import sys 
import scipy.stats 
import os 
import time 
from scipy.optimize import curve_fit 
import matplotlib.pyplot as plt 
n=(input('how many residues?')) 
pathInput='/Users/luca/Desktop/GLOBAL FITTING/global fitting/input' 
pathOutput='/Users/luca/Desktop/GLOBAL FITTING/global fitting/output' 
l=os.listdir(pathInput) 
finalInput=pathOutput+"/mergedInput.txt" 
out=open(finalInput,'w') 
out1=open(pathOutput+"/inputFilenames.txt",'w') 




r1 = [2.25 ,3, 2, 4] 
r2 = [ 24.62, 30, 20, 25] 
EF = 1  
data = np.genfromtxt(datafile_name) 

x = data[:,0] 
y = data[:,1] 
err = data[:,2]*EF 
z = data[:,3] 
kex = 1311 
pop = 0.025 
dw = [-300,500,700,650] 
i=0 
while i < len(r1): 
p0 = [r1[i], r2[i], kex, pop, dw[i]] 

plsq = leastsq(residuals, p0, args=(x, y, z, err), 
     full_output = True, 
     xtol = 1e-15, 
     ftol = 1e-15, 
     factor = 1) 
pres, cov_x, infodict, mesg, ier = plsq 
print pres[0], pres[1], pres[2], pres[3], pres[4] 


i=i+1 

Answer 1

Ich verstehe nicht Ihr Problem. Können Sie erklären?

Ich denke, es gibt etwas mit functools.partial zu tun.

Geben Sie ein neues Teilobjekt zurück, das sich beim Aufruf wie func verhält, das mit den Argumenten positional arguments und keyword arguments aufgerufen wird. Wenn dem Aufruf mehr Argumente übergeben werden, werden sie an Argumente angehängt. Wenn zusätzliche Schlüsselwortargumente bereitgestellt werden, erweitern und überschreiben sie Schlüsselwörter.

Oder Sie können ein Funktor (funktionales Objekt) verwenden:

class MyFunctor(collections.Callable): 
    def __init__(self, param1, param2): 
     self.param1 = param1 
     self.param2 = param2 

    def __call__(self, *args, **kwargs): 
     pass # do your calculation here