関数を一連のデータに適合させるには、どのようにMath Commons CurveFitterを使用しますか？ LevenbergMarquardtOptimizerとParametricUnivariateFunctionでCurveFitterを使用するように指示されましたが、ParametricUnivariateFunctionのグラデーションと値のメソッドに何を書き込むべきかわかりません。さらに、それらを書いた後、どのようにフィット関数パラメータを得るのですか？ My機能：Java Math Commons CurveFitterの使い方は？
public static double fnc(double t, double a, double b, double c){
return a * Math.pow(t, b) * Math.exp(-c * t);
}
だから、これは古い質問ですが、私は最近、同じ問題に遭遇し、そしてそれを把握するために、メーリングリストとApache Commonsの数学のソースコードを詳細に調べるためになってしまいました。
このAPIが著しく悪い文書化されていますが、Apacheの一般的な数学（3.3+）の現在バージョンでは、複数のパラメータを持つ単一の変数持つと仮定すると、二つの部分があります：（機能と合わせてをどの実装ParametricUnivariateFunction）と曲線フィッター（AbstractCurveFitterを拡張しています）。
public double value(double t, double... parameters)
機能。これはあなたのfncロジックを置く場所です。
public double[] gradient(double t, double... parameters)
カーブフィッタ
protected LeastSquaresProblem getProblem(Collection<WeightedObservedPoint> points)
、ここでの例のあなたの特定のケースでのソリューションです：私は知っている
import java.util.*;
import org.apache.commons.math3.analysis.ParametricUnivariateFunction;
import org.apache.commons.math3.fitting.AbstractCurveFitter;
import org.apache.commons.math3.fitting.leastsquares.LeastSquaresBuilder;
import org.apache.commons.math3.fitting.leastsquares.LeastSquaresProblem;
import org.apache.commons.math3.fitting.WeightedObservedPoint;
import org.apache.commons.math3.linear.DiagonalMatrix;
class MyFunc implements ParametricUnivariateFunction {
public double value(double t, double... parameters) {
return parameters[0] * Math.pow(t, parameters[1]) * Math.exp(-parameters[2] * t);
}
// Jacobian matrix of the above. In this case, this is just an array of
// partial derivatives of the above function, with one element for each parameter.
public double[] gradient(double t, double... parameters) {
final double a = parameters[0];
final double b = parameters[1];
final double c = parameters[2];
return new double[] {
Math.exp(-c*t) * Math.pow(t, b),
a * Math.exp(-c*t) * Math.pow(t, b) * Math.log(t),
a * (-Math.exp(-c*t)) * Math.pow(t, b+1)
};
}
}
public class MyFuncFitter extends AbstractCurveFitter {
protected LeastSquaresProblem getProblem(Collection<WeightedObservedPoint> points) {
final int len = points.size();
final double[] target = new double[len];
final double[] weights = new double[len];
final double[] initialGuess = { 1.0, 1.0, 1.0 };
int i = 0;
for(WeightedObservedPoint point : points) {
target[i] = point.getY();
weights[i] = point.getWeight();
i += 1;
}
final AbstractCurveFitter.TheoreticalValuesFunction model = new
AbstractCurveFitter.TheoreticalValuesFunction(new MyFunc(), points);
return new LeastSquaresBuilder().
maxEvaluations(Integer.MAX_VALUE).
maxIterations(Integer.MAX_VALUE).
start(initialGuess).
target(target).
weight(new DiagonalMatrix(weights)).
model(model.getModelFunction(), model.getModelFunctionJacobian()).
build();
}
public static void main(String[] args) {
MyFuncFitter fitter = new MyFuncFitter();
ArrayList<WeightedObservedPoint> points = new ArrayList<WeightedObservedPoint>();
// Add points here; for instance,
WeightedObservedPoint point = new WeightedObservedPoint(1.0,
1.0,
1.0);
points.add(point);
final double coeffs[] = fitter.fit(points);
System.out.println(Arrays.toString(coeffs));
}
}
この質問のかなり古いとi80andはこの答え素晴らしい仕事をしたが、私はちょうどに考えました（将来のSO-ersのために）Apache Mathを使って派生物や部分派生物を計算する簡単な方法があることを覚えておいてください。（ヤコビ行列のために独自の微分をする必要はありません） DerivativeStructureです。
DerivativeStructureクラスを使用するi80andの答えを拡張：
//Everything stays the same except for the Jacobian Matrix
import java.util.*;
import org.apache.commons.math3.analysis.ParametricUnivariateFunction;
import org.apache.commons.math3.fitting.AbstractCurveFitter;
import org.apache.commons.math3.fitting.leastsquares.LeastSquaresBuilder;
import org.apache.commons.math3.fitting.leastsquares.LeastSquaresProblem;
import org.apache.commons.math3.fitting.WeightedObservedPoint;
import org.apache.commons.math3.linear.DiagonalMatrix;
import org.apache.commons.math3.analysis.differentiation.DerivativeStructure;
class MyFunc implements ParametricUnivariateFunction {
public double value(double t, double... parameters) {
return parameters[0] * Math.pow(t, parameters[1]) * Math.exp(-parameters[2] * t);
}
// Jacobian matrix of the above. In this case, this is just an array of
// partial derivatives of the above function, with one element for each parameter.
public double[] gradient(double t, double... parameters) {
final double a = parameters[0];
final double b = parameters[1];
final double c = parameters[2];
// Jacobian Matrix Edit
// Using Derivative Structures...
// constructor takes 4 arguments - the number of parameters in your
// equation to be differentiated (3 in this case), the order of
// differentiation for the DerivativeStructure, the index of the
// parameter represented by the DS, and the value of the parameter itself
DerivativeStructure aDev = new DerivativeStructure(3, 1, 0, a);
DerivativeStructure bDev = new DerivativeStructure(3, 1, 1, b);
DerivativeStructure cDev = new DerivativeStructure(3, 1, 2, c);
// define the equation to be differentiated using another DerivativeStructure
DerivativeStructure y = aDev.multiply(DerivativeStructure.pow(t, bDev))
.multiply(cDev.negate().multiply(t).exp());
// then return the partial derivatives required
// notice the format, 3 arguments for the method since 3 parameters were
// specified first order derivative of the first parameter, then the second,
// then the third
return new double[] {
y.getPartialDerivative(1, 0, 0),
y.getPartialDerivative(0, 1, 0),
y.getPartialDerivative(0, 0, 1)
};
}
}
public class MyFuncFitter extends AbstractCurveFitter {
protected LeastSquaresProblem getProblem(Collection<WeightedObservedPoint> points) {
final int len = points.size();
final double[] target = new double[len];
final double[] weights = new double[len];
final double[] initialGuess = { 1.0, 1.0, 1.0 };
int i = 0;
for(WeightedObservedPoint point : points) {
target[i] = point.getY();
weights[i] = point.getWeight();
i += 1;
}
final AbstractCurveFitter.TheoreticalValuesFunction model = new
AbstractCurveFitter.TheoreticalValuesFunction(new MyFunc(), points);
return new LeastSquaresBuilder().
maxEvaluations(Integer.MAX_VALUE).
maxIterations(Integer.MAX_VALUE).
start(initialGuess).
target(target).
weight(new DiagonalMatrix(weights)).
model(model.getModelFunction(), model.getModelFunctionJacobian()).
build();
}
public static void main(String[] args) {
MyFuncFitter fitter = new MyFuncFitter();
ArrayList<WeightedObservedPoint> points = new ArrayList<WeightedObservedPoint>();
// Add points here; for instance,
WeightedObservedPoint point = new WeightedObservedPoint(1.0,
1.0,
1.0);
points.add(point);
final double coeffs[] = fitter.fit(points);
System.out.println(Arrays.toString(coeffs));
}
}
をそして、それはそれです。私はそれがかなり畳み込まれた/混乱クラスを使用することを知っていますが、間違いなくあなたが手で部分的な派生（これは私がずっと前に起こった）得るために面倒な非常に複雑な方程式を扱っているときに便利です。あなたが部分的な派生派生を導きたければ、2次または3次と言います。第二、第三、エトセトラオーダー誘導体の場合には
、あなたがしなければならないだろうすべては次のとおりです。
// specify the required order as the second argument, say second order so 2
DerivativeStructure aDev = new DerivativeStructure(3, 2, 0, a);
DerivativeStructure bDev = new DerivativeStructure(3, 2, 1, b);
DerivativeStructure cDev = new DerivativeStructure(3, 2, 2, c);
// and then specify the order again here
y.getPartialDerivative(2, 0, 0),
y.getPartialDerivative(0, 2, 0),
y.getPartialDerivative(0, 0, 2)
うまくいけば、これはいつか誰かを助けます。
私はポイントの収集について混乱しています。それらにはX_valueはありませんか？ターゲットにY値のみが含まれるのはなぜですか？ –
また、パラメータに制約を追加するにはどうすればよいですか？たとえば、f（x）= c * ln（a * x）のパラメータaは常に正である必要があります。 –