Python lmfit 自定义模型：设置固定参数和分配前缀

Question

我有 2 个关于 lmfit 包中的参数的问题。

1.

有没有办法为自定义模型预先设置参数值？

例如

def my_cust(x,A,b):
    return A*x + b

def gaussian(x, amp, cen, wid):
    return (1.2345*amp/(sqrt(2*pi)*wid)) * exp(-(x-cen)**2 /wid)

mod = Model(my_cust) + Model(gaussian)
pars = mod.make_params(A=11.78,b=25,amp=2000,cen=109.5,wid=17) #initialize all the parameters
results = mod.fit(y,pars,x=x)

倒数第二行，例如amp=2000初始化参数amp。如果我想在内置模型中修复此参数（例如 this one）：

params = model.make_params()
params['g1_amplitude'].set(2000, vary=False)

问题 1

是否可以在 mod.fit() 行或 自定义的其他地方修复参数 amp 的值 2000 型号？

2.

我正在尝试为自定义复合模型分配前缀，如下所示：

cust_combination_mod = Model(my_cust, prefix='lin_') + Model(gaussian, prefix='g1_')

当我尝试上述行时，我得到：

  File "build\bdist.win-amd64\egg\lmfit\model.py", line 541, in fit
  File "build\bdist.win-amd64\egg\lmfit\model.py", line 747, in fit
  File "build\bdist.win-amd64\egg\lmfit\minimizer.py", line 1242, in minimize
  File "build\bdist.win-amd64\egg\lmfit\minimizer.py", line 1072, in leastsq
  File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 377, in leastsq
    shape, dtype = _check_func('leastsq', 'func', func, x0, args, n)
  File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 26, in _check_func
    res = atleast_1d(thefunc(*((x0[:numinputs],) + args)))
  File "build\bdist.win-amd64\egg\lmfit\minimizer.py", line 371, in __residual
  File "build\bdist.win-amd64\egg\lmfit\minimizer.py", line 1432, in _nan_policy
ValueError: The input contains nan values

如果有很多自定义模型，那么初始化 mod.make_params() 中的所有参数（如我在上面的 1. 中所示）可能会很繁琐。这个问题似乎在这里讨论 (1,2) 但它们并没有真正说明如何实际为复合模型的单独组件分配前缀。

问题二

是否可以为 lmfit 中的复合自定义模型分配前缀？

Answer 1

Q1：您可以在定义模型时为自定义模型设置默认值：

>>> def my_cust(x, a=1.0, b=2.0):
...    return a*x + b

>>> lmodel = Model(my_cust)
>>> params = lmodel.make_params()
>>> params 
Parameters([('a', <Parameter 'a', 1.0, bounds=[-inf:inf]>), ('b', <Parameter 'b', 2.0, bounds=[-inf:inf]>)])

并且您可以在创建参数后对其进行修复：

>>> params['a].vary = False

您还可以在模型上设置一个 "parameter hint" 以告诉属性在创建参数时分配：

>>> lmodel.set_param_hint('a', vary=False)
>>> lmodel.set_param_hint('b', min=0)
>>> params = lmodel.make_params()
>>> params
Parameters([('a', <Parameter 'a', value=1.0 (fixed), bounds=[-inf:inf]>), ('b', <Parameter 'b', 2.0, bounds=[0:inf]>)])

Q2：做

>>> comp_model = Model(my_cust, prefix='lin_') + Model(gaussian, prefix='g1_')

应该有效（而且，它对我有用）。为此生成的参数将具有适当的前缀，并且应该在 Model.make_params:

中引用 with prefix

>>> params = comp_model.make_params(g1_amp=9, g1_cen=2.0, g1_wid=0.5)
>>> for name, par in params.items():
...    print(name, par)
...
('lin_a', <Parameter 'lin_a', 1.0, bounds=[-inf:inf]>)
('lin_b', <Parameter 'lin_b', 2.0, bounds=[-inf:inf]>)
('g1_amp', <Parameter 'g1_amp', 9, bounds=[-inf:inf]>)
('g1_cen', <Parameter 'g1_cen', 2.0, bounds=[-inf:inf]>)
('g1_wid', <Parameter 'g1_wid', 0.5, bounds=[-inf:inf]>)

如果你想保留上面设置的参数提示，你应该制作带有前缀的自定义模型，设置参数提示，然后制作自定义模型：

>>> lmodel = Model(my_cust, prefix='lin_')
>>> lmodel.set_param_hint('a', vary=False)
>>> lmodel.set_param_hint('b', min=0)
>>> comp = lmodel + Model(gauss, prefix='g1_')
>>> params = comp.make_params(g1_amp=9.0, g1_cen=2.0, g1_wid=0.5)
>>> for name, par in params.items(): 
...    print(name, par)
... 
('lin_a', <Parameter 'lin_a', value=1.0 (fixed), bounds=[-inf:inf]>)
('lin_b', <Parameter 'lin_b', 2.0, bounds=[0:inf]>)
('g1_amp', <Parameter 'g1_amp', 9.0, bounds=[-inf:inf]>)
('g1_cen', <Parameter 'g1_cen', 2.0, bounds=[-inf:inf]>)
('g1_wid', <Parameter 'g1_wid', 0.5, bounds=[-inf:inf]>)

我不确定 NaN 异常是从哪里来的。也许是因为没有为参数提供初始值（这可能会导致默认为 -inf）或者因为正在建模的数据中存在 NaN？

Python lmfit 自定义模型：设置固定参数和分配前缀

Python lmfit custom models: set fixed parameter and assigning prefix

python-2.7

curve-fitting

lmfit