如何解决为什么 scipy.optimize.curve_fit 不能为我的点生成最适合的线?
我正在尝试为重复 R-T 测量绘制多个数据集,并使用 scipy.optimize.curve_fit
拟合每个数据集的最佳拟合三次根线。
我的代码为每个数据集生成一条线,但不是最佳拟合的三次方根线。每个数据集都根据其对应的最佳拟合线进行颜色编码:
我尝试增加数据的数量级,因为我听说有时 scipy.optimize.curve_fit
不喜欢非常小的数字,但这并没有改变。如果有人能指出我哪里出错了,我将不胜感激:
import numpy as np
from scipy.optimize import curve_fit
import scipy.optimize as scpo
import matplotlib.pyplot as plt
files = [ '50mA30%set1.lvm','50mA30%set3.lvm','50mA30%set4.lvm','50mA30%set5.lvm']
for file in files:
data = numpy.loadtxt(file)
current_YBCO = data[:,1]
voltage_YBCO = data[:,2]
current_thermometer = data[:,3]
voltage_thermometer = data[:,4]
T = data[:,5]
R = voltage_thermometer/current_thermometer
p = np.polyfit(R,T,4)
T_fit = p[0]*R**4 + p[1]*R**3 + p[2]*R**2 + p[3]*R + p[4]
y = voltage_YBCO/current_YBCO
def test(T_fit,a,b,c):
return a * (T_fit+b)**(1/3) + c
param,param_cov = curve_fit(test,np.array(T_fit),np.array(y),maxfev=100000)
ans = (param[0]*(np.array(T_fit)+param[1])**(1/3)+param[2])
plt.scatter(T_fit,y,0.5)
plt.plot(T_fit,ans,'--',label ="optimized data")
plt.xlabel("YBCO temperature(K)")
plt.ylabel("Resistance of YBCO(Ohms)")
plt.xlim(97,102)
plt.ylim(-.00025,0.00015)
解决方法
有两件事让你更难做到这一点。
首先,numpy 数组的负数立方根。如果你尝试这个,你会发现你没有得到你想要的结果:
x = np.array([-8,8])
x**(1/3) # array([nan,0.,2.])
这意味着您的 test
函数在任何时候得到负值时都会出现问题,您需要负值来创建曲线的左侧。相反,使用 np.cbrt
x = np.array([-8,8])
np.cbrt(x) # array([-2.,2.])
其次,你的功能是
def test(T_fit,a,b,c):
return a * (T_fit + b)**(1/3) + c
不幸的是,这看起来与您展示的图表不太一样。这使得优化很难找到“好的”拟合。我特别不喜欢这个功能的地方是
- 它在
T_fit == b
处垂直。您的数据此时具有确定的斜率 - 它在远离
T_fit = b
的地方继续保持强劲增长。您的数据是横向的。
但是,通过为优化提供一个好的起点,有时可能会获得更“合理的拟合”。
你没有给我们任何代码来工作,这使得这变得更加困难。所以,通过说明,试试这个:
import matplotlib.pyplot as plt
import numpy as np
import scipy.optimize
fig,ax = plt.subplots(1)
# Generate some data which looks a bit like yours
x = np.linspace(95,105,1001)
y = 0.001 * (-0.5 + 1/(1 + np.exp((100-x)/0.5)) + 0.125 * np.random.rand(len(x)))
# A fitting function
def fit(x,c):
return a * np.cbrt((x + b)) + c
# Perform the fitting
param,param_cov = scipy.optimize.curve_fit(fit,x,y,p0=[0.004,-100,0.001],maxfev=100000)
# Calculate the fitted data:
yf = fit(x,*param)
print(param)
# Plot data and the fitted curve
ax.plot(x,'.')
ax.plot(x,yf,'-')
现在,如果我运行这段代码,我会得到一个大致遵循数据的拟合。但是,如果我去掉最初的猜测,即通过调用进行拟合
param,maxfev=100000)
那么拟合就差很多了。原因是 curve_fit
将从初始猜测 [1,1,1]
开始。看起来大致正确的解决方案与 [1,1]
位于不同的山谷中,因此它不是找到的解决方案。换句话说,它只找到局部最小值,而不是全局最小值。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。