python 最大值最小化_Python - 最小化卡方

的问题是，你最初的猜测是从实际的解决方案很远：数据我目前使用的设置。如果添加打印语句中chisqfunc()像print (a,b)，并重新运行你的代码，你会得到这样的：

(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。

，如果你现在尝试在这3对值来评估chisqfunc()，你会发现它们完全匹配，例如

print chisqfunc((0,0))==chisqfunc((1.4901161193847656e-08,0))

True

这是因为四舍五入的浮动点算术的。换句话说，在评估stress - model时，变量stress的数量级比model大得多，并且结果被截断。

然后可以尝试bruteforcing它，提高浮点精度，在用loadtxt加载数据之后编写。 minimize失败，与result.success=False，但与一个有用的消息

由于精度损失不一定达到所需的错误。

一种可能性是再提供一个更好的初始猜测，所以，在减法stress - model的model部分是相同的数量级，另重新调整数据，因此该解决方案将是更接近你初步猜测(0,0)。

它是MUCH更好，如果你只是重新缩放数据，使得例如无量纲相对于一定的应力值(如yelding /该材料的开裂)

这是装配件的一个例子，将最大测量的应力用作应力等级。有从您的代码非常少的变化：

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)

你的线性模型相当不错的，即你的材料具有这个范围的变形的非常线性的行为(什么材料也无妨？)：