scipy.odr.

Model#

class scipy.odr.Model(fcn, fjacb=None, fjacd=None, extra_args=None, estimate=None, implicit=0, meta=None)[源代码]#

Model 类存储有关您希望拟合的函数的信息。

它至少存储函数本身，并可选择存储计算拟合期间使用的雅可比矩阵的函数。此外，可以提供一个函数，该函数可以为拟合参数提供合理的起始值，可能基于数据集。

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 应该是一个额外的参数元组，用于传递给 fcn、fjacb 和 fjacd。每个函数都将通过 apply(fcn, (beta, x) + extra_args) 调用

estimaterank-1 的 array_like

从数据提供对拟合参数的估计

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 并且没有要拟合的 y 数据

meta字典，可选

模型的自由格式元数据字典

注释

请注意，fcn、fjacb 和 fjacd 在 NumPy 数组上操作并返回 NumPy 数组。 estimate 对象采用 Data 类的实例。

以下是回调函数的参数和返回数组的形状规则

x: 如果输入数据是一维的，则 x 是 rank-1 数组；即，x = array([1, 2, 3, ...]); x.shape = (n,) 如果输入数据是多维的，则 x 是 rank-2 数组；即，x = array([[1, 2, ...], [2, 4, ...]]); x.shape = (m, n)。在所有情况下，它都具有与传递给 odr 的输入数据数组相同的形状。m 是输入数据的维度，n 是观测次数。
y: 如果响应变量是一维的，则 y 是 rank-1 数组，即，y = array([2, 4, ...]); y.shape = (n,)。如果响应变量是多维的，则 y 是 rank-2 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 rank-1 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 rank-2，形状为 (p, n)。
fjacd: 与 fjacb 相同，只有返回数组的形状为 (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,)。

方法

使用此处提供的关键字和数据更新元数据字典。