Подгонка нескольких наборов данных с помощью lmfit без написания целевой функции

Что ж, я думаю, что ответ - «вроде как». Класс lmfit.Model предназначен для представления модели массива данных. Итак, если вы можете сопоставить свои несколько наборов данных с numpy ndarray (скажем, с np.concatenate), вы, вероятно, можете написать функцию Model, чтобы представить это, создавая подмодели для разных наборов данных и объединяя их таким же образом.

Я не думаю, что вы могли бы сделать это с какой-либо из встроенных моделей. Я также думаю, что если вы начнете писать сложные модельные функции, это не будет большим шагом к написанию целевых функций. То есть что бы было

def model_function(x, a, b, c):
   ### do some calculation with x, a, b, c values
   result = a + x*b + x*x*c
   return result

может стать

def objective_function(params, x, data):
     vals = params.valuesdict()
     return data - model_function(x, vals['a'], vals['b'], vals['c'])

Если этот do_calc() делает что-нибудь сложное, дополнительная нагрузка на распаковку параметров и вычитание данных довольно небольшая. И, особенно если некоторые параметры будут использоваться для нескольких наборов данных, а некоторые - только для определенных наборов данных, вам придется управлять этим либо в функции модели, либо в целевой функции. В примере, на который вы ссылаетесь, мой ответ включал цикл по наборам данных, выбирая параметры по имени для каждого набора данных. Вы, вероятно, захотите сделать что-то подобное. Вы, вероятно, могли бы сделать это в модельной функции, думая об этом как о моделировании конкатенированных наборов данных, но я не уверен, что вы действительно много выиграете, сделав это.

Я нашел проблему. На самом деле model.fit () отлично обрабатывает массивы из нескольких наборов данных и выполняет правильную подгонку. Правильный вызов model.fit () с несколькими наборами данных:

import numpy as np 
from lmfit import Model, Parameters
from lmfit.models import GaussianModel
import matplotlib.pyplot as plt

def gauss(x, amp, cen, sigma):
   "basic gaussian"
    return amp*np.exp(-(x-cen)**2/(2.*sigma**2))

x1= np.arange(0.,100.,0.1)
x2= np.arange(0.,100.,0.1)
y1= gauss(x1, 1.,50.,5.)+ np.random.normal(size=len(x1), scale=0.01)
y2= gauss(x2, 0.8,48.4,4.5)+ np.random.normal(size=len(x2), scale=0.01)

mod= GaussianModel()
params= mod.make_params()

params['amplitude'].set(1.,min=0.01,max=100.)
params['center'].set(1.,min=0.01,max=100.)
params['sigma'].set(1.,min=0.01,max=100.)

result= mod.fit(np.array([y1,y2]), params,method='basinhopping',
x=np.array([x1,x2]))

print(result.fit_report(min_correl=0.5))

fig, ax = plt.subplots()

plt.plot(x1,y1, lw=2, color='red')
plt.plot(x2,y2, lw=2, color='orange')
plt.plot(x1,result.eval(x=x1), lw=2, color='black')

plt.show()

Проблема в исходном коде на самом деле заключается в том, что мои наборы данных не имеют одинаковой длины. Однако я совсем не уверен, как с этим справиться самым элегантным способом?