データセット間で共有されるいくつかの変数を持つ複数のデータセットに適合しようとしています。しかし、私はこれを行うために必要なステップが不明です。以下では、私が使用しようとしているアプローチを示しました(「問題の開始はここではうまくいかない」と説明するためです)。共有パラメータと非共有パラメータの組み合わせを持つ複数のデータセットの適合方法
In this answer誰かがパラメータを共有することができます。arcoss datasetsこれは、私がいくつかの非共有パラメータを持つことができるように適合することができる方法ですか?
私はこれをどのように達成することができるか、誰かが同じ結果を達成するためのより良いアプローチを提案することができますか?ありがとう。
import numpy as np
from scipy.stats import gamma
import matplotlib.pyplot as plt
import pandas as pd
from lmfit import minimize, Minimizer, Parameters, Parameter, report_fit, Model
# Create datasets to fit
a = 1.99
start = gamma.ppf(0.001, a)
stop = gamma.ppf(.99, a)
xvals = np.linspace(start, stop, 100)
yvals = gamma.pdf(xvals, a)
data_dict = {}
for dataset in range(4):
name = 'dataset_' + str(dataset)
rand_offset = np.random.uniform(-.1, .1)
noise = np.random.uniform(-.05, .05,len(yvals)) + rand_offset
data_dict[name] = yvals + noise
df = pd.DataFrame(data_dict)
# Create some non-shared parameters
non_shared_param1 = np.random.uniform(0.009, .21, 4)
non_shared_param2 = np.random.uniform(0.01, .51, 4)
# Create the independent variable
ind_var = np.linspace(.001,100,100)
# Create a model
def model_func(time, Qi, at, vw, R, rhob_cb, al, NSP1, NSP2):
Dt = at * vw
Dl = al * vw
t = time
first_bot = 8 * np.pi * t * rhob_cb
sec_bot = np.sqrt((np.pi * (Dl * R) * t))
exp_top = R * np.power((NSP1 - ((t * vw)/R)), 2)
exp_bot = 4 * Dl * t
exp_top2 = R * np.power(NSP2, 2)
exp_bot2 = 4 * Dt * t
return (Qi/first_bot * sec_bot) * np.exp(- (exp_top/exp_bot) - (exp_top2/exp_bot2))
model = Model(model_func)
### Issues begin here ###
all_results = {}
index = 0
for col in df:
# This block assigns the correct non-shared parameter for the particular fit
nsp1 = non_shared_param1[index]
nsp2 = non_shared_param2[index]
index += 1
params = Parameters()
at = 0.1
al = 0.15
vw = 10**-4
Dt = at * vw
Dl = al * vw
# Non-shared parameters
model.set_param_hint('NSP1', value = nsp1)
model.set_param_hint('NSP2', value = nsp2)
# Shared and varying parameters
model.set_param_hint('vw', value =10**-4, min=10**-10)
model.set_param_hint('at', value =0.1)
model.set_param_hint('al', value =0.15)
# Shared and fixed parameters
model.set_param_hint('Qi', value = 1000, vary = True)
model.set_param_hint('R', value = 1.7, vary = True)
model.set_param_hint('rhob_cb', value =2895, vary = True)
# One set of parameters should be returned
result = model.fit(df[col], time = ind_var)
all_results[index] = result
別のデータセットのサンプルのクラスを予測する場合は、そのデータセットのフィーチャアンサンブルを、分類子が訓練されたデータセットのものよりも投影する必要があります。言い換えれば、いくつかの機能について訓練をしたり、異なる機能をテストしたりすることはできません。 – MMF
@MMF申し訳ありませんが、私は私が従うとは思わない。私の異なるデータセットは、異なる場所からの同じイベントの観測です。私は、データを収めるために、距離を考慮に入れた同じ公式を使用します。だから私はいくつかの共有されていないパラメータ(空間的)を持つ必要がありますが、 "未知"のパラメータは各観測点で同じでなければなりません。基本的には、非共有パラメータのすべての組み合わせを試して、すべての観測で最小の残差を生成する組み合わせを返したいと思います。私の質問で概説したアプローチは完全に間違っていますか?ご協力いただきありがとうございます! – Bprodz