У меня есть функция y(x,z)
с двумя переменными x
, z
и 6 коэффициентами a
, b
, c
, d
, e
, f
. У меня есть данные для x
, z
и, скажем, для целей тестирования данные коэффициентов. С этими данными я вычисляю свой y
.
Затем я хочу согласовать функцию с данными x
, z
и вычисленным y
чтобы получить коэффициенты и сравнить их с целью тестирования.
import numpy as np
from scipy.optimize import minimize
x = np.array([0,0.25,0.5,0.75,1]) # data of variable x
z = np.array([0,0.25,0.5,0.75,1]) # data of variable z
def func(pars,x,z): #my function
a,b,c,d,e,f = pars
return a*x**2+b*x+c+d*z+e*z*x+f*z*x**2
a = np.array([1,1,1,1,1]) #define coefficients to get the y data and compare them later with fit
b = np.array([0.5,0.5,0.5,0.5,0.5])
c = np.array([0.25,0.25,0.25,0.25,0.25])
d = np.array([1,1,1,1,1])
e = np.array([0.5,0.5,0.5,0.5,0.5])
f = np.array([0.25,0.25,0.25,0.25,0.25])
y = []
y.append(func((a,b,c,d,e,f),x,z)) #calculate the y data
print(y)
def resid(pars,x,z,y): #residual function
return ((func(pars,x,z) - y) ** 2).sum()
pars0 = np.array([0,0,0,0,0,0])
res = minimize(resid, pars0,args=(x,z,y), method='cobyla',options={'maxiter': 5000000})
print("a = %f , b = %f, c = %f, d = %f, e = %f, f = %f" % (res.x[0], res.x[1], res.x[2], res.x[3], res.x[4], res.x[5]))
Я получаю следующие коэффициенты от примерки:
a = 1.181149 , b = 1.228558, c = 0.253053, d = 0.219143, e = 0.444941, f = 0.172369
По сравнению с моими коэффициентами для расчета y
данных подгонка не совсем то, что я бы назвал адекватным. Может кто-нибудь объяснить мне, почему у меня плохая посадка?
PS: Если кому-то интересно, я использую cobyla
потому что cobyla
мне нужно будет определить некоторые ограничения. Это всего лишь тестовый код, чтобы узнать, где находится моя проблема (надеюсь).
Глядя на res.fun
, который в вашем случае около 1e-5
подходит на самом деле довольно хорошо.
Скорее всего, вы нашли локальный минимум вашей целевой функции. Чтобы лучше понять это поведение, попробуйте код ниже. Это приведет к разным результатам для разных начальных точек. Как вы увидите, вы минимизируете, но не до глобального минимума. Для глобальной оптимизации вы должны использовать другие подходы/методы. Вы также можете увеличить критерии, когда остановить оптимизацию. Или используйте гибридный подход и начните с разных начальных точек, решите локальную минимизацию и выберите лучшее значение.
for i in range(10):
pars0 = np.random.rand(6) * 1
res = minimize(resid, pars0, args=(x,z,y), method='cobyla',options={'maxiter': 5000000})
print("a = %f , b = %f, c = %f, d = %f, e = %f, f = %f" % (res.x[0], res.x[1], res.x[2], res.x[3], res.x[4], res.x[5]))
print(res.fun)
Попробуйте начальную точку, близкую к решению, которое вы ищете. Это, скорее всего, даст глобальный результат. Если вы не знаете расплывчатое местоположение вашего решения, возможно, вам придется использовать гибридный/глобальный подход к минимизации.
Например, начальная точка:
pars0 = np.array([1,0.5,0.25,1,0.5,0.25]) + np.random.rand(6)*0.01
дает вполне подходящее решение.
res.fun
? Как вы и подозревали, я не знаю расплывчатого местоположения. Так что я думаю, я должен использовать глобальный подход.res.fun
дает значение целевой функции для минимума. См.res.success
или другие для получения дополнительной информации о ваших результатах оптимизации. Вы также можете попробовать настройки оптимизатора. Но среднеквадратическая ошибка 1E-5 очень хороша, если вы спросите меня. Подождите и посмотрите, как ваш код ведет себя с реальными данными измерений.