Python &引用;ValueError:输入包含nan值;使用lmfit时
我正在使用Python &引用;ValueError:输入包含nan值;使用lmfit时,python,compiler-errors,lmfit,Python,Compiler Errors,Lmfit,我正在使用lmfit将四参数逻辑曲线拟合到我的数据,我的当前代码如下: import matplotlib, numpy as np, matplotlib.pyplot as plt from lmfit import Model def pl(x, a, b, c, d): return (a - d) / (1+ (x / c) ** b) + d x = [-4.522878745, -5.22184875, -5.920818754, -6.6197
lmfit
将四参数逻辑曲线拟合到我的数据,我的当前代码如下:
import matplotlib, numpy as np, matplotlib.pyplot as plt
from lmfit import Model
def pl(x, a, b, c, d):
return (a - d) / (1+ (x / c) ** b) + d
x = [-4.522878745,
-5.22184875,
-5.920818754,
-6.619788758,
-7.318758763,
-8.017728767,
-8.716698771,
-9.415668776,
]
y = [12,
6,
37,
10297,
22635,
24279,
25666,
24365]
mod = Model(pl)
params = mod.make_params(a = 25000, b = 2, c = 1, d = 0)
result = mod.fit(y, params, x=x)
print(result.fit_report())
plt.plot(x, y, 'bo', markersize = 1.5)
plt.plot(x, result.best_fit, color = 'red', linewidth = 0.5)
plt.show()
但是,这会产生以下错误:
Traceback (most recent call last):
File "C:\Users\George\OneDrive\Subjects\EE\Regression.py", line 29, in <module>
result = mod.fit(y, params, x=x)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\model.py", line 1007, in fit
output.fit(data=data, weights=weights)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\model.py", line 1355, in fit
_ret = self.minimize(method=self.method)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\minimizer.py", line 1949, in minimize
return function(**kwargs)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\minimizer.py", line 1492, in leastsq
lsout = scipy_leastsq(self.__residual, variables, **lskws)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\scipy\optimize\minpack.py", line 396, in leastsq
gtol, maxfev, epsfcn, factor, diag)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\minimizer.py", line 538, in __residual
nan_policy=self.nan_policy)
File "C:\Users\George\AppData\Local\Programs\Python\Python37\lib\site-packages\lmfit\minimizer.py", line 2166, in _nan_policy
raise ValueError("The input contains nan values")
ValueError: The input contains nan values
Warning (from warnings module):
File "C:\Users\George\OneDrive\Subjects\EE\Regression.py", line 5
return (a - d) / (1+ (x / c) ** b) + d
RuntimeWarning: divide by zero encountered in true_divide
此外,“曲线”只是一条直线:
如何解决此问题?似乎每次在内部调用处理程序函数时,
b
的值都会被修改。b
的值在每次迭代中的精度都会增加,直到它变得如此之大,以至于**
操作无法生成nan
s(在内部,它是numpy评估**
)。在它落下时,我的机器上b
的值是2.0000000 298023224
您可以确保b
在计算时始终为整数:
def pl(x, a, b, c, d):
return (a - d) / (1+ (x / c) ** int(b)) + d
似乎每次在内部调用处理程序函数时,
b
的值都会被修改。b
的值在每次迭代中的精度都会增加,直到它变得如此之大,以至于**
操作无法生成nan
s(在内部,它是numpy评估**
)。在它落下时,我的机器上b
的值是2.0000000 298023224
您可以确保b
在计算时始终为整数:
def pl(x, a, b, c, d):
return (a - d) / (1+ (x / c) ** int(b)) + d
使用
lmfit
或scipy.optimize
(或大多数其他“拟合数据”方法)进行拟合假设数据、最佳拟合模型和所有参数都是实数。您的模型函数包含(1+(x/c)**b)
,其中x
为负数,c
为一个可根据需要调整的值,b
和c
均为实数
但是,当然负数**分数实数
(比如(-2.3)**3.4
)是一个复数。拟合算法无法处理这些问题
所以,你必须决定如何处理复数的可能性。使用(x/c)**int(b)
的建议似乎很有吸引力,但这意味着拟合将无法找到b
的值——拟合将对每个参数值进行小的调整,并且由于int(2.0)=int(2.000001)
,它将确定对b
的小的更改不会改变拟合。也就是说,您可以简单地运行fit keepingb
fixed,将其设置为0到10之间的整数值,并确定哪种拟合效果最好
无论如何,所有这些都假设模型函数描述了数据,并且是您实际想要使用的。我认为您的模型可能无法很好地描述您的数据,您最好使用实际的逻辑功能。利用lmfit内置的模型,这可能看起来像:
from lmfit.models import StepModel, ConstantModel
mod = StepModel(form='logistic') + ConstantModel()
params = mod.make_params(amplitude=-20000, center=-7, sigma=1, c=20000)
result = mod.fit(y, params, x=x)
print(result.fit_report())
对于您的数据,这将给出最佳拟合参数值
sigma~=0.24
,center~=-6.7
,amplitude~=-25000
,c~=25000
,以及一个看起来不错的图。使用lmfit
或scipy进行拟合。优化
(或大多数其他“拟合数据”方法)假设数据,最佳拟合模型,所有参数均为实数。您的模型函数包含(1+(x/c)**b)
,其中x
为负数,c
为一个可根据需要调整的值,b
和c
均为实数
但是,当然负数**分数实数
(比如(-2.3)**3.4
)是一个复数。拟合算法无法处理这些问题
所以,你必须决定如何处理复数的可能性。使用(x/c)**int(b)
的建议似乎很有吸引力,但这意味着拟合将无法找到b
的值——拟合将对每个参数值进行小的调整,并且由于int(2.0)=int(2.000001)
,它将确定对b
的小的更改不会改变拟合。也就是说,您可以简单地运行fit keepingb
fixed,将其设置为0到10之间的整数值,并确定哪种拟合效果最好
无论如何,所有这些都假设模型函数描述了数据,并且是您实际想要使用的。我认为您的模型可能无法很好地描述您的数据,您最好使用实际的逻辑功能。利用lmfit内置的模型,这可能看起来像:
from lmfit.models import StepModel, ConstantModel
mod = StepModel(form='logistic') + ConstantModel()
params = mod.make_params(amplitude=-20000, center=-7, sigma=1, c=20000)
result = mod.fit(y, params, x=x)
print(result.fit_report())
对于您的数据,这将给出最佳拟合参数值sigma~=0.24
,center~=-6.7
,amplitude~=-25000
,c~=25000
,以及一个看起来不错的图