模型#
- class scipy.odr.Model(fcn, fjacb=None, fjacd=None, extra_args=None, estimate=None, implicit=0, meta=None)[source]#
Model 类存储了关于您希望拟合的函数的信息。
它至少存储了函数本身,并可选地存储了计算拟合过程中使用的雅可比矩阵的函数。此外,可以提供一个函数,该函数可以在给定数据集的情况下为拟合参数提供合理的初始值。
- 参数:
- fcn函数
fcn(beta, x) -> y
- fjacb函数
fcn 关于拟合参数 beta 的雅可比矩阵。
fjacb(beta, x) -> @f_i(x,B)/@B_j
- fjacd函数
fcn 关于(可能是多维的)输入变量的雅可比矩阵。
fjacd(beta, x) -> @f_i(x,B)/@x_j
- extra_args元组,可选
如果指定,extra_args 应该是一个元组,包含要传递给 fcn、fjacb 和 fjacd 的额外参数。每个函数都将通过 apply(fcn, (beta, x) + extra_args) 调用。
- estimate1 维数组
从数据中提供拟合参数的估计值
estimate(data) -> estbeta
- implicit布尔值
如果为 TRUE,则指定模型是隐式的;即 fcn(beta, x) ~= 0 且没有 y 数据可供拟合。
- meta字典,可选
模型的自由格式元数据字典
方法
set_meta
(**kwds)使用此处提供的关键字和数据更新元数据字典。
注意
请注意,fcn、fjacb 和 fjacd 在 NumPy 数组上操作并返回 NumPy 数组。estimate 对象接受 Data 类的一个实例。
以下是回调函数的参数和返回数组的形状规则
- x
如果输入数据是单维的,则 x 是一个 1 维数组;即
x = array([1, 2, 3, ...]); x.shape = (n,)
。如果输入数据是多维的,则 x 是一个 2 维数组;即x = array([[1, 2, ...], [2, 4, ...]]); x.shape = (m, n)
。在所有情况下,它都与传递给odr
的输入数据数组具有相同的形状。m 是输入数据的维度,n 是观测值的数量。- y
如果响应变量是单维的,则 y 是一个 1 维数组,即
y = array([2, 4, ...]); y.shape = (n,)
。如果响应变量是多维的,则 y 是一个 2 维数组,即y = array([[2, 4, ...], [3, 6, ...]]); y.shape = (q, n)
,其中 q 是响应变量的维度。- beta
长度为 p 的 1 维数组,其中 p 是参数的数量;即
beta = array([B_1, B_2, ..., B_p])
- fjacb
如果响应变量是多维的,则返回数组的形状为
(q, p, n)
,使得fjacb(x,beta)[l,k,i] = d f_l(X,B)/d B_k
在第 i 个数据点处进行评估。如果q == 1
,则返回数组只有 2 维,形状为(p, n)
。- fjacd
与 fjacb 类似,返回数组的形状为
(q, m, n)
,使得fjacd(x,beta)[l,j,i] = d f_l(X,B)/d X_j
在第 i 个数据点处。如果q == 1
,则返回数组的形状为(m, n)
。如果m == 1
,则形状为 (q, n)。如果 m == q == 1,则形状为(n,)
。