Scipy ile Optimizasyon
Minimal RSS değerini bulmak için analitik çözümün bir numpy uygulamasını yazmak mümkündür. Ancak daha karmaşık modellerde analitik formüller bulmak mümkün değildir; bu yüzden başka yöntemlere başvururuz.
Bu egzersizde aynı optimizasyon sorununu çözmek için daha genel bir yaklaşımı kullanmak üzere scipy.optimize modülünden yararlanacaksın.
Bunu yaparken, yöntemin döndürdüğü ek değerlerin bize “en iyinin ne kadar iyi” olduğunu nasıl söylediğini de göreceksin. Burada, yeni scipy yaklaşımını önceki egzersizde kullanılan ölçüm verileri ve parametrelerle karşılaştırmayı kolaylaştırmak için aynı verileri ve parametreleri kullanacağız.
Bu egzersiz, kursun bir parçasıdır
Python ile Doğrusal Modellemenin Temelleri
Egzersiz talimatları
- Verilen bir
xdizisi içina0 + a1*xdöndürenmodel_func(x, a0, a1)adlı bir fonksiyon tanımla. a0vea1için en iyi değerleri hesaplamak üzerescipyfonksiyonuoptimize.curve_fit()kullan.- Model parametrelerini
a0 = param_opt[0]vea1 = param_opt[1]olacak şekilde saklamak içinparam_optdeğerlerini aç (unpack) et. - Yanıtını test edip doğrulamak için önceden tanımlı
compute_rss_and_plot_fitfonksiyonunu kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Define a model function needed as input to scipy
def model_func(x, a0, a1):
return ____ + (____*x)
# Load the measured data you want to model
x_data, y_data = load_data()
# call curve_fit, passing in the model function and data; then unpack the results
param_opt, param_cov = optimize.curve_fit(____, x_data, y_data)
a0 = param_opt[0] # a0 is the intercept in y = a0 + a1*x
a1 = param_opt[1] # a1 is the slope in y = a0 + a1*x
# test that these parameters result in a model that fits the data
fig, rss = compute_rss_and_plot_fit(____, ____)