Python Levenberg-Marquardt算法与ODR算法的区别

我能够使用将曲线拟合到x/y数据集，如下所示。这是一个线性背景和10条洛伦兹曲线。

因为我需要拟合许多相似的曲线，所以我编写了一个脚本拟合例程，使用Levenberg-Marquardt算法。但是，在我看来，拟合需要更长的时间，并且不如peak-o-mat结果准确：

起始值

使用固定线性背景拟合结果（线性背景值取自peak-o-mat结果）

在所有变量都不存在的情况下拟合结果

我相信起始值已经非常接近了，但即使在固定的线性背景下，左洛伦兹显然是拟合的退化

对于完全自由配合，结果更糟

Peak-o-mat似乎在使用。现在更可能的情况是：

我做了一些实现错误

odrpack更适合这个特殊问题

拟合到一个更简单的问题（中间有一个峰值的线性数据）表明peak-o-mat和我的脚本之间有很好的相关性。我也没有发现很多关于ordpack的信息

编辑：我似乎可以自己回答这个问题，但是答案有点令人不安。使用scipy.odr（允许使用odr或leastsq方法进行拟合）都可以将结果作为peak-o-mat给出，即使没有约束

下图再次显示了数据、起始值（几乎完美），然后是odr和leastsq拟合。组件曲线适用于odr

我将切换到odr，但这仍然让我感到不安。方法（在leastsq模式下的mpfit.py、scipy.optimize.leastsq、scipy.odr）“应该”产生相同的结果

---

对于在这篇文章上结结巴巴的人来说：要使odr适合，必须为x和y值指定一个错误。如果没有错误，请使用小值和sx您也可以使用peak-o-mat编写脚本。最简单的方法是创建一个项目，其中包含您希望通过GUI适应的所有数据，清理它，转换它，并将基础模型附加（即选择一个模型，提供初始猜测并适应）到其中一个集合。然后可以（深度）复制该模型并将其附加到所有其他数据集。试试这个：

from peak_o_mat.project import Project
from peak_o_mat.fit import Fit
from copy import deepcopy

p = Project()
p.Read('in.lpj')

base = p[2][0]    # this is the set which has been fit already

for data in p[2][1:]: # all remaining sets of plot number 2

    mod = deepcopy(base.mod)
    data.mod = mod

    f = Fit(data, data.mod)
    res = f.run()

    pars = res[0]
    err = res[1]

    data.mod._newpars(pars, err)

    print data.mod.parameters_as_table()

p.Write('out')

---

如果您需要更多详细信息，请告诉我。

peak-o-mat是开源的，因此原则上您可以了解它是如何工作的。顺便说一句。完整的odrpack文档可以在这里找到：嗨，我很久没有回来查看了。非常感谢您的评论。了解如何编写peak-o-mat脚本非常有帮助。那很方便。我遇到的一个问题是，上面的代码没有复制拟合选项（将拟合限制为可见范围，最大迭代次数）。如何设置该选项？刚刚找到。它不是一个布尔值，而是一个列表。要获得第一组的限制，请使用

base.limits

。要在安装之前将这些限制应用于所有其他集合，请在for循环内添加

数据。_set_limits（base.limits）

。要更改最大迭代次数，请使用

f=Fit（data，data.mod，maxiter=200）

（用于200次迭代）。

from peak_o_mat.project import Project
from peak_o_mat.fit import Fit
from copy import deepcopy

p = Project()
p.Read('in.lpj')

base = p[2][0]    # this is the set which has been fit already

for data in p[2][1:]: # all remaining sets of plot number 2

    mod = deepcopy(base.mod)
    data.mod = mod

    f = Fit(data, data.mod)
    res = f.run()

    pars = res[0]
    err = res[1]

    data.mod._newpars(pars, err)

    print data.mod.parameters_as_table()

p.Write('out')