Since Model()
使用函数参数名称来构建参数名称,使用*params
工作起来并不容易(人们怎么知道如何称呼它们A
, B
, C
, 并不是coeff0
, coeff1
, coeff2
, 或者是其他东西?)。
我不知道那是一个真正的任意数量可以支持,但是应该可以做到非常大的数量。多项式模型(参见http://lmfit.github.io/lmfit-py/builtin_models.html#polynomialmodel http://lmfit.github.io/lmfit-py/builtin_models.html#polynomialmodel and https://github.com/lmfit/lmfit-py/blob/master/lmfit/models.py#L126 https://github.com/lmfit/lmfit-py/blob/master/lmfit/models.py#L126用于实现)支持最多 7 个系数。将其扩展到更大的数字应该没有问题。它可能很容易导致计算问题,但我认为这就是您期望探索的。
如果你愿意做一点小小的改变is有可能做你正在寻找的事情。这使用关键字参数而不是位置参数,并依赖于参数名称顺序(即sort
) 来指示哪个系数与哪个指数对应,而不是位置参数的顺序。这可能接近您正在寻找的内容:
import numpy as np
from lmfit import Model, Parameters
def my_poly(x, **params):
val= 0.0
parnames = sorted(params.keys())
for i, pname in enumerate(parnames):
val += params[pname]*x**i
return val
my_model = Model(my_poly)
# Parameter names and starting values
params = Parameters()
params.add('C00', value=-10)
params.add('C01', value= 5)
params.add('C02', value= 1)
params.add('C03', value= 0)
params.add('C04', value= 0)
x = np.linspace(-20, 20, 101)
y = -30.4 + 7.8*x - 0.5*x*x + 0.03 * x**3 + 0.009*x**4
y = y + np.random.normal(size=len(y), scale=0.2)
out = my_model.fit(y, params, x=x)
print(out.fit_report())
希望有帮助。