在更多数据点评估 lm 拟合结果

Question

我使用 lm 拟合将函数（高斯曲线）拟合到一些数据点。

# prepare data
data = pd.read_csv("data.csv")
X = np.array(data.iloc[:,0])
Y = np.array(data.iloc[:,1])

def Gauss(x,y0,a,mu,sigma):
    return y0+a/(sigma*np.sqrt(2*np.pi))*np.exp(-(x-mu)**2/(2*sigma**2))

gmodel = Model(Gauss)
result = gmodel.fit(Y, x=X, y0=0, a=1, mu=1, sigma=1)

conf = result.eval_uncertainty(sigma=1)
print(result.fit_report())

到目前为止，一切都很好。现在我想绘制数据和模型

x = np.linspace(min(X), max(X))

plt.figure(
    num=1,
    figsize=(10,6),
    facecolor='white')
plt.plot(X, Y, 'bo', label='Data')
# This does not work
plt.plot(x, result.init_fit, 'k--', label='Initial guess')
plt.plot(x, result.best_fit, 'r-', label='Best fit')
plt.fill_between(x, result.best_fit-conf, result.best_fit+conf, color='black', label='Confidence band')
plt.legend(loc=2)

但这不起作用，因为 result.init_fit 和 result.best_fit 以及最重要的 conf仅评估我已拟合的数据点的结果，而不是 x 中的所有数据点。那么我如何评估 x 中所有数据点的这些值呢？

Answer 1

您可以使用新的 x 值重新评估您的模型。

   x_new = np.linspace(min(X), max(X), 1001) # or whatever you want
   result_new = result.eval(x=x_new)

要评估结果，不使用最佳拟合参数（上面将默认执行此操作），而是使用初始参数，使用

   init_new = result.eval(params=result.init_params, x=x_new)