是否有一种方法可以基于具有任意数量因变量的函数构建一个lmfit模型?例如:
from lmfit import Model
def my_poly(x, *params):
func = 0
for i in range(len(params)):
func+= params[i]*z**i
return func
#note: below does not work
my_model = Model(my_poly, independent_vars = ['x'], param_names = ['A','B','C'])
如果我对多项式级数感兴趣,并且想要测试级数增长或缩小时的性能,那么类似于上面的东西将是非常棒的。
由于Model()
使用函数参数名称来构建参数名称,因此使用*params
将不容易工作(如何知道将它们称为A
, B
, C
,而不是coeff0
, coeff1
, coeff2
或其他名称?)。
我不知道一个真正的任意数可以被支持,但应该可以做一个非常大的数字。多项式模型(参见http://lmfit.github.io/lmfit-py/builtin_models.html#polynomialmodel和https://github.com/lmfit/lmfit-py/blob/master/lmfit/models.py#L126实现)最多支持7个系数。将其扩展到更大的数字应该没有问题。这可能很容易导致计算问题,但我认为这是你想要探索的。
如果你愿意做一个小小的改变,它是有可能做一些你正在寻找的事情。它使用关键字参数而不是位置参数,并依赖于参数名称顺序(即sort
)来指示哪个系数对应哪个指数,而不是位置参数的顺序。这可能接近于你想要的:
import numpy as np
from lmfit import Model, Parameters
def my_poly(x, **params):
val= 0.0
parnames = sorted(params.keys())
for i, pname in enumerate(parnames):
val += params[pname]*x**i
return val
my_model = Model(my_poly)
# Parameter names and starting values
params = Parameters()
params.add('C00', value=-10)
params.add('C01', value= 5)
params.add('C02', value= 1)
params.add('C03', value= 0)
params.add('C04', value= 0)
x = np.linspace(-20, 20, 101)
y = -30.4 + 7.8*x - 0.5*x*x + 0.03 * x**3 + 0.009*x**4
y = y + np.random.normal(size=len(y), scale=0.2)
out = my_model.fit(y, params, x=x)
print(out.fit_report())
希望对你有帮助。