LMLSQFitter#
- class astropy.modeling.fitting.LMLSQFitter(calc_uncertainties=False)[源代码]#
基类：
_NLLSQFitterscipy.optimize.least_squares莱文伯格-马夸特算法和最小二乘统计量。- 参数:
- calc_uncertainties : bool布尔
是否应在fit_info中计算并设置协方差矩阵。默认值：False
- 属性:
- fit_info
A
scipy.optimize.OptimizeResult类的新实例，该实例包含所有最新的FIT信息
属性摘要
此钳子类型支持的约束类型。
方法总结
__call__(model, x, y[, z, weights, maxiter, ...])将数据拟合到此模型。
objective_function(fps, *args[, ...])函数最小化。
属性文档
- supported_constraints = ['fixed', 'tied', 'bounds']#
此钳子类型支持的约束类型。
方法文件
- __call__(model, x, y, z=None, weights=None, maxiter=100, acc=1e-07, epsilon=np.float64(1.4901161193847656e-08), estimate_jacobian=False, filter_non_finite=False, inplace=False)[源代码]#
将数据拟合到此模型。
- 参数:
- 模型 ：
FittableModelFittableModel 适合x、y、z的模型
- x :
array数组 输入坐标
- y :
array数组 输入坐标
- z :
array，可选可选数组 输入坐标
- weights :
array，可选可选数组 配重。对于具有高斯不确定性的数据，权重应为1/sigma。
在 5.3 版本发生变更: 在核算时计算参数协方差
weights作为“绝对”的逆不确定性。要恢复旧的行为，请选择weights=None。- maxiter :
intPython ：整型 最大迭代次数
- acc :
floatPython ：浮点 近似解中期望的相对误差
- epsilon :
floatPython ：浮点 雅可比前向差分近似的合适步长(如果模型.fjac=无)。如果epsfcn小于机器精度，则假定函数中的相对误差为机器精度的量级。
- estimate_jacobian : bool布尔
如果为FALSE(默认)，并且模型具有FIT_DIREV方法，则将使用该方法。否则，将估计雅可比。如果为True，则在任何情况下都将估计雅可比。
- equivalencies :
list或None，可选，仅关键字PYTHON：LIST或PYTHON：无、可选、仅关键字 名单 额外的 如果x、y和/或z有单位，则应应用等效性。默认值为“无”。
- filter_non_finite : bool ，可选可选的布尔
是否筛选具有非限定值的数据。缺省值为False
- inplace : bool ，可选可选的布尔
如果
False(the默认），则将返回具有匹配参数集的模型副本。如果True，返回的模型将与传递的模型是同一个实例，并且参数值将就地更改。
- 模型 ：
- 返回:
- fitted_model ：
FittableModelFittableModel 如果
inplace是False(the默认），这是输入模型的副本，参数由装配工设置。如果inplace是True，这与输入模型是相同的模型，参数更新为由装配工设置的参数。
- fitted_model ：
- objective_function(fps, *args, fit_param_indices=None)#
函数最小化。