Использование scipy.optimize.curve_fit внутри класса

Question

У меня есть класс, описывающий математическую функцию. Класс должен уметь приспосабливаться к переданным в данных наименьшим квадратам. т.е. вы можете вызвать метод, подобный этому:

classinstance.Fit(x,y)

и он корректирует свои внутренние переменные, чтобы наилучшим образом соответствовать данным. Я пытаюсь использовать scipy.optimize.curve_fit для этого, и мне нужно передать функцию модели. Проблема состоит в том, что функция модели находится внутри класса и должна получить доступ к переменным и членам класса для вычисления данных. Тем не менее, curve_fit не может вызывать функцию, первый параметр которой - self. Есть ли способ заставить Curve_Fit использовать метод класса в качестве функции модели?

Вот минимальный исполняемый фрагмент, чтобы показать проблему:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# This is a class which encapsulates a gaussian and fits itself to data.
class GaussianComponent():
    # This is a formula string showing the exact code used to produce the gaussian.  I
    # It has to be printed for the user, and it can be used to compute values.
    Formula = 'self.Amp*np.exp(-((x-self.Center)**2/(self.FWHM**2*np.sqrt(2))))'

    # These parameters describe the gaussian.
    Center = 0
    Amp = 1
    FWHM = 1

    # HERE IS THE CONUNDRUM: IF I LEAVE SELF IN THE DECLARATION, CURVE_FIT
    # CANNOT CALL IT SINCE IT REQUIRES THE WRONG NUMBER OF PARAMETERS.
    # IF I REMOVE IT, FITFUNC CAN'T ACCESS THE CLASS VARIABLES.
    def FitFunc(self, x, y, Center, Amp, FWHM):
        eval('y - ' + self.Formula.replace('self.', ''))

    # This uses curve_fit to adjust the gaussian parameters to best match the
    # data passed in.
    def Fit(self, x, y):
        #FitFunc = lambda x, y, Center, Amp, FWHM: eval('y - ' + self.Formula.replace('self.', ''))
        FitParams, FitCov = curve_fit(self.FitFunc, x, y, (self.Center, self.Amp, self.FWHM))
        self.Center = FitParams[0]
        self.Amp = FitParams[1]
        self.FWHM = FitParams[2]

    # Give back a vector which describes what this gaussian looks like.
    def GetPlot(self, x):
        y = eval(self.Formula)
        return y

# Make a gausssian with default shape and position (height 1 at the origin, FWHM 1.
g = GaussianComponent()

# Make a space in which we can plot the gaussian.
x = np.linspace(-5,5,100)
y = g.GetPlot(x)

# Make some "experimental data" which is just the default shape, noisy, and
# moved up the y axis a tad so the best fit will be different.
ynoise = y + np.random.normal(loc=0.1, scale=0.1, size=len(x))

# Draw it
plt.plot(x,y, x,ynoise)
plt.show()

# Do the fit (but this doesn't work...)
g.Fit(x,y)

И это приводит к следующему графику, а затем происходит сбой, поскольку функция модели некорректна, когда она пытается выполнить подбор.

Заранее спасибо!

Answer 1

Я потратил некоторое время на просмотр вашего кода и, к сожалению, оказался на 2 минуты позже. Так или иначе, чтобы сделать вещи немного более интересными, я немного отредактировал ваш класс, вот что я придумал:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

class GaussianComponent():

    def __init__(self, func, params=None):
        self.formula = func
        self.params = params

    def eval(self, x):
        allowed_locals = {key: self.params[key] for key in self.params}
        allowed_locals["x"] = x
        allowed_globals = {"np":np}
        return eval(self.formula, allowed_globals, allowed_locals)

    def Fit(self, x, y):
        FitParams, FitCov = curve_fit(self.eval, x, y, self.params)
        self.fitparams = fitParams


# Make a gausssian with default shape and position (height 1 at the origin, FWHM 1.
g = GaussianComponent("Amp*np.exp(-((x-Center)**2/(FWHM**2*np.sqrt(2))))", 
                      params={"Amp":1, "Center":0, "FWHM":1})

**SNIPPED FOR BREVITY**

Я полагаю, вы, возможно, найдете это более удовлетворительное решение?

В настоящее время все ваши параметры Гаусса являются атрибутами класса, это означает, что если вы попытаетесь создать второй экземпляр вашего класса с другими значениями для параметров, вы также измените значения для первого класса. Перенося все параметры в качестве атрибута (ов) экземпляра, вы избавляетесь от этого. Вот почему у нас есть занятия в первую очередь.

Ваша проблема с self проистекает из того, что ты пишешь self в вашем Formula, Теперь вам больше не нужно. Я думаю, что в этом есть немного больше смысла, потому что когда вы создаете экземпляр объекта класса, вы можете добавить столько или мало параметров в объявленную функцию, сколько захотите. Он даже не должен быть гауссовским сейчас (в отличие от ранее).

Просто добавьте все параметры в словарь, как curve_fit и забыть о них

Явно указав, что eval вы можете убедиться, что злодеям будет сложнее взломать ваш код. Это все еще возможно, хотя, это всегда с eval,

Удачи, спросите, если вам нужно что-то прояснить.

Answer 2

Ааа! На самом деле это была ошибка в моем коде. Если я изменю эту строку:

def FitFunc(self, x, y, Center, Amp, FWHM):

в

def FitFunc(self, x, Center, Amp, FWHM):

Тогда у нас все хорошо. Таким образом, curve_fit правильно обрабатывает параметр self, но моя функция модели не должна включать y.

(Embarrased!)