Python scipy智能优化

我需要用直线拟合不同数据集中的一些点。从每个数据集中，我想拟合一条直线。所以我得到了描述I线的参数ai和bi:ai+bi*x。问题是我想强制每个ai都是平等的，因为我想要相同的拦截器。我在这里找到了一个教程：。不同的是我不知道我有多少数据集。我的代码是：

from numpy import *
from scipy import optimize

# here I have 3 dataset, but in general I don't know how many dataset are they
ypoints = [array([0, 2.1, 2.4]),    # first dataset, 3 points
           array([0.1, 2.1, 2.9]),  # second dataset
           array([-0.1, 1.4])]      # only 2 points

xpoints = [array([0, 2, 2.5]),      # first dataset
           array([0, 2, 3]),        # second, also x coordinates are different
           array([0, 1.5])]         # the first coordinate is always 0

fitfunc = lambda a, b, x: a + b * x
errfunc = lambda p, xs, ys: array([ yi - fitfunc(p[0], p[i+1], xi) 
                                    for i, (xi,yi) in enumerate(zip(xs, ys)) ])


p_arrays = [r_[0.]] * len(xpoints)
pinit = r_[[ypoints[0][0]] + p_arrays]
fit_parameters, success = optimize.leastsq(errfunc, pinit, args = (xpoints, ypoints))

我得到

回溯（最近一次呼叫最后一次）：
文件“prova.py”，第19行，在
fit_参数，success=optimize.leastsq（errfunc，pinit，args=（xpoints，ypoints））
文件“/usr/lib64/python2.6/site packages/scipy/optimize/minpack.py”，第266行，在leastsq中
m=检查函数（func，x0，args，n）[0]
文件“/usr/lib64/python2.6/site packages/scipy/optimize/minpack.py”，第12行，在check\u func中
res=至少1d（thefunc（*（x0[：numput]，）+args）））
文件“prova.py”，第14行，在
对于枚举（zip（xs，ys））]中的i（xi，yi）
ValueError:使用序列设置数组元素。

（旁注：使用

def

，而不是

lambda

分配给一个名字——这完全是愚蠢的，而且只有缺点，

lambda

的唯一用途是使用匿名功能！）

---

您的

errfunc

应该返回一个浮点数序列（数组或其他），但它不是，因为您试图将每个

y

点（请记住，

ypoints

aka

ys

是数组列表！）和fit函数结果的差异数组作为数组项。因此，您需要将表达式

yi-fitfunc（p[0]，p[i+1]，xi）

压缩为单个浮点数，例如

norm（yi-fitfunc（p[0]，p[i+1]，xi））

如果您只需要线性拟合，那么最好使用线性回归而不是非线性优化器进行估计。 可以使用scikits.statsmodels获得更合适的统计数据

import numpy as np
from numpy import array

ypoints = np.r_[array([0, 2.1, 2.4]),    # first dataset, 3 points
           array([0.1, 2.1, 2.9]),  # second dataset
           array([-0.1, 1.4])]      # only 2 points

xpoints = [array([0, 2, 2.5]),      # first dataset
           array([0, 2, 3]),        # second, also x coordinates are different
           array([0, 1.5])]         # the first coordinate is always 0

xp = np.hstack(xpoints)
indicator = []
for i,a in enumerate(xpoints):
    indicator.extend([i]*len(a))

indicator = np.array(indicator)


x = xp[:,None]*(indicator[:,None]==np.arange(3)).astype(int)
x = np.hstack((np.ones((xp.shape[0],1)),x))

print np.dot(np.linalg.pinv(x), ypoints)
# [ 0.01947973  0.98656987  0.98481549  0.92034684]

回归系数矩阵有一个共同的截距，但每个数据集有不同的列：

>>> x
array([[ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  2. ,  0. ,  0. ],
       [ 1. ,  2.5,  0. ,  0. ],
       [ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  0. ,  2. ,  0. ],
       [ 1. ,  0. ,  3. ,  0. ],
       [ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  0. ,  0. ,  1.5]])

---

我不明白这两个例子之间的区别link@Wiso，该代码相当晦涩（带有一个未记录的

r\uu

，等等），但我确信它最终会从errfunc返回一个浮点数序列，因为这是文档所需要的--使用调试器检查或使用

打印
工具进行验证，如果你能自己成功地运行代码（我不能——什么是
r
？）。好的，我解决了。通常，scipy有很好的文档记录，这里的
r
函数：解决方案是将
array
更改为
concatenate
，以获得您所说的唯一数组。特别是我得到了系数：
[0.01947973 0.98656987 0.98481549 0.92034684]
它们似乎是正确的汉克斯，我喜欢它。问题是现在我需要使用误差，我的意思是：y点有误差，我需要用1/error^2来加权它们。如何使用您的代码？最好使用scikits.statsmodels，因为在这种情况下，您需要预先准备所有的估计、预测和结果统计信息。以及获取预测y参数=np.dot（np.linalg.pinv（x），ypoints）ypred=np.dot（x，params）errors=ypoints-ypred的链接。。。如果您的意思是通过对误差进行加权来使用加权最小二乘法，那么x和Y点都需要除以误差标准偏差，或者使用scikets.statsmodels中的WLS类。
>>> x
array([[ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  2. ,  0. ,  0. ],
       [ 1. ,  2.5,  0. ,  0. ],
       [ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  0. ,  2. ,  0. ],
       [ 1. ,  0. ,  3. ,  0. ],
       [ 1. ,  0. ,  0. ,  0. ],
       [ 1. ,  0. ,  0. ,  1.5]])