python 最大值最小化,Python-最小化卡方

问题是你最初的猜测与实际的解决方案相去甚远。如果在chisqfunc()中添加一个print语句，比如print (a,b)，然后重新运行代码，您将得到如下结果：(0, 0)

(1.4901161193847656e-08, 0.0)

(0.0, 1.4901161193847656e-08)

这意味着minimize只在这些点计算函数。

如果您现在尝试在这3对值上计算chisqfunc()，您将看到它们完全匹配，例如print chisqfunc((0,0))==chisqfunc((1.4901161193847656e-08,0))

True

这是因为浮点运算的舍入。换句话说，在计算stress - model时，varstress的数量级太多，大于model，结果被截断。

然后可以尝试对其进行粗处理，增加浮点精度，在用loadtxt加载数据之后写入data=data.astype(np.float128)。minimize失败，有result.success=False，但有一条有用的消息Desired error not necessarily achieved due to precision loss.

一种可能是提供一个更好的初始猜测，以便在减法中stress - model的model部分具有相同的数量级，另一种可能是重新调整数据，以便解决方案更接近您的初始猜测(0,0)。

如果你只是重新缩放数据，例如使某个应力值无量纲(比如这种材料的嘶嘶声/破裂声)，会好得多

这是拟合的一个例子，使用最大测量应力作为应力标度。代码中很少有更改：import numpy

import scipy.optimize as opt

filename = 'data.csv'

data = numpy.loadtxt(open(filename,"r"),delimiter=",")

stress = data[:,0]

strain = data[:,1]

err_stress = data[:,2]

smax = stress.max()

stress = stress/smax

#I am assuming the errors err_stress are in the same units of stress.

err_stress = err_stress/smax

def chisqfunc((a, b)):

model = a + b*strain

chisq = numpy.sum(((stress - model)/err_stress)**2)

return chisq

x0 = numpy.array([0,0])

result = opt.minimize(chisqfunc, x0)

print result

assert result.success==True

a,b=result.x*smax

plot(strain,stress*smax)

plot(strain,a+b*strain)

你的线性模型很好，也就是说，你的材料在这个变形范围内有一个非常线性的行为(它到底是什么材料？):