尝试 运行 使用 curvefit 在 python 中从 Matlab 的优化工具箱中实现 lsqcurvefit
Trying to run an implementation of lsqcurvefit from the Optimization Toolbox from Matlab in python using curvefit
我正在尝试使用 curve_fit 在 Python 中从 matlab 实现 lsqcurvefit 但没有成功。下面是我试图移植到 Python:
的 matlab 代码
myfun = @(x,xdata)(exp(x(1))./ xdata.^exp(x(2))) - x(3);
xstart = [4, -2, 54];
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
try
fittedmodel = lsqcurvefit(myfun,xstart,double(pX),double(pY), [], [], optimset('Display', 'off'));
disp("fitted model:");
disp(fittedmodel);
catch
end
下面是我的 matlab 输出：
fitted model:
4.8389 3.3577 -2.0000
下面是我的 Python 代码：
from scipy.optimize import curve_fit
import numpy as np
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
def myfun(x, xdata):
temp_val_1 = np.exp(x[0])
temp_val_2 = np.exp(x[1])
temp_val_3 = x[2]
temp_val_4 = np.power(xdata, temp_val_2)
temp_val_5 = np.divide(temp_val_1, temp_val_4)
temp_val_6 = temp_val_5 - temp_val_3
return temp_val_6
popt, pcov = curve_fit(myfun, pX, pY, p0=([4, -2, 54]))
print(popt, "\n", pcov)
下面是我的 Python 输出：
myfun() takes 2 positional arguments but 4 were given
我知道输入有问题，但我不明白要改变什么来解决这个问题并收到与我使用 matlab 时相同的结果。
这里有一些帮助您入门的提示：
请注意，curve_fit 需要一个签名为 f(xdata, *x) 的函数，其中 x 是您的优化变量，即搜索的系数。与 Matlab 的 lsqcurvefit 相比，它恰恰相反。符号 *x 是 python 特定的，表示可变数量的参数。
此外，您不需要使用 np.power 和 np.divide 函数。 np.arrays 重载了常用的数学运算符，并按元素应用。例如，这意味着对于两个 np.arrays a / b 等价于 Matlab 的 a ./ b。因此，编写（和阅读）更方便：
def myfun(xdata, *x):
return np.exp(x[0]) / xdata**np.exp(x[1]) - x[2]
我得到以下系数：
[ 4.01234549 -0.47409326 21.70045585]
但是，术语 np.exp(x[1]) 似乎存在溢出，因此可能值得重新编写 objective 函数或提高浮点精度。即使用长双打 dtype=np.float128.
我正在尝试使用 curve_fit 在 Python 中从 matlab 实现 lsqcurvefit 但没有成功。下面是我试图移植到 Python:
myfun = @(x,xdata)(exp(x(1))./ xdata.^exp(x(2))) - x(3);
xstart = [4, -2, 54];
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
try
fittedmodel = lsqcurvefit(myfun,xstart,double(pX),double(pY), [], [], optimset('Display', 'off'));
disp("fitted model:");
disp(fittedmodel);
catch
end
下面是我的 matlab 输出：
fitted model:
4.8389 3.3577 -2.0000
下面是我的 Python 代码：
from scipy.optimize import curve_fit
import numpy as np
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
def myfun(x, xdata):
temp_val_1 = np.exp(x[0])
temp_val_2 = np.exp(x[1])
temp_val_3 = x[2]
temp_val_4 = np.power(xdata, temp_val_2)
temp_val_5 = np.divide(temp_val_1, temp_val_4)
temp_val_6 = temp_val_5 - temp_val_3
return temp_val_6
popt, pcov = curve_fit(myfun, pX, pY, p0=([4, -2, 54]))
print(popt, "\n", pcov)
下面是我的 Python 输出：
myfun() takes 2 positional arguments but 4 were given
我知道输入有问题，但我不明白要改变什么来解决这个问题并收到与我使用 matlab 时相同的结果。
这里有一些帮助您入门的提示：
请注意，
curve_fit需要一个签名为f(xdata, *x)的函数，其中x是您的优化变量，即搜索的系数。与 Matlab 的lsqcurvefit相比，它恰恰相反。符号*x是 python 特定的，表示可变数量的参数。此外，您不需要使用
np.power和np.divide函数。 np.arrays 重载了常用的数学运算符，并按元素应用。例如，这意味着对于两个 np.arraysa / b等价于 Matlab 的a ./ b。因此，编写（和阅读）更方便：
def myfun(xdata, *x):
return np.exp(x[0]) / xdata**np.exp(x[1]) - x[2]
我得到以下系数：
[ 4.01234549 -0.47409326 21.70045585]
但是，术语 np.exp(x[1]) 似乎存在溢出，因此可能值得重新编写 objective 函数或提高浮点精度。即使用长双打 dtype=np.float128.