optimisation avec [scipy.odr]

Bonjour,

Je cherche a optimiser une fonction avec scipy.odr.

J'ai un set de donnees (plusieurs courbes de longeurs differentes avec leurs erreurs) qui peuvent etre expliquees avec des modeles (un model par courbe). Ma fonction calcul le model et renvoi la difference entre les donnees et le model

Code:

---

1 2 3 4 5 6 7 8

x = array(Ry) # Ry contient mes donnees, et est de dimension 2 sx = array(Rs) # Rs sont mes erreurs sur les donnees (meme dimension que Ry) x0 = array(N*[0.0])   my_data = odr.RealData(x,sx=sx) my_model = odr.Model(inv_odr_LR_fct)   myodr = odr.ODR(my_data,my_model,maxit=1,beta0=x0)

---

J'ai quelques questions sur le module odr....

1. dans la documentation, je trouve qu'il faut definir les donnees avec x et y. Quelle est la difference entre x et y ?

2. Mes donnees sont des courbes de longeur differentes, est-ce que odr est adapte a ce type de donnees ?

3. Avec le code ci-dessus j'obtiens l'erreur ci-dessous. Est ce que ca veut dire que je dois definir un y ? Mais quoi mettre dedans alors ?

Code:

---

1 2 3 4 5 6 7 8

Traceback (most recent call last): File "inv_odr_LR.py", line 52, in <module> myodr = odr.ODR(my_data,my_model,maxit=1,beta0=x0) File "/usr/lib/python2.6/dist-packages/scipy/odr/odrpack.py", line 737, in __init__ self._check() File "/usr/lib/python2.6/dist-packages/scipy/odr/odrpack.py", line 754, in _check raise odr_error("an explicit model needs response data") odr.odrpack.odr_error: an explicit model needs response data

---

J'ai aussi utilise plusieurs modules de [scipy.optimize] tels que [Fmin], [slsqp], [leastsq] et [mpfit] mais le resultat n'est pas bon du tout (l'eccart entre les donnees et le model est bien trop grand).

J'essaye de convertir un programme matlab qui utilise lsqnonlin et qui marche comme un charme.

Merci d'avance a tout ceux qui pourrais me donner des petites idees.

Bonjour,

Je ne connais pas spécialement le module odr, mais si tu as des courbes cela signifie que tu as des couples de points (x_i,y_i) et que tu cherches a trouver les paramètres de ton modèle qui expliquent le mieux les y_i en fonction des x_i.

Si Ry c'est juste un tableau de données à une dimension, c'est que x est implicite (par exemple des pas réguliers dans le temps).

Donc ici, ce que tu a appelé x c'est en fait y.

Ce type de problème ce résoud typiquement par les moindres carrés et la fonction optimize.leastsq, mais elle n'est pas forcement évidente à utiliser car elle attends une fonction qui retourne un vecteur. Et c'est la sommes des carrés des éléments de ce vecteur qui est minimisée. Pour l'utiliser le principe est donc le suivant :

Je suppose que ton modèle est une fonction qui dépend de x et d'un jeu de paramètre.

Code:

---

1 2 3 4 5 6 7 8 9

def fit(func,x,y,sy,params0): def err(params): fx = func(x,params) return (fx - y)/sy   p,status = optimize.leastsq(err,params0) return p

---