昨日、このバージョンの以前のバージョンを投稿しましたが、誰かが編集のためにその投稿を閉じたように見えるため、このバージョンをその投稿に追加できないようです。新しい投稿の新しいバージョンを次に示します。
次のことを行うスクリプトを以下に示します
。1.) シグモイド データに最適な曲線をプロットします。
2.) x と y の新しい最大座標と最小座標に基づいてデータのサイズを変更します。
3.) サイズ変更されたデータの新しい最適曲線を計算してプロットします。
ステップ 1 と 2 は正常に機能しているように見えますが、ステップ 3 は機能しません。スクリプトを実行すると、サイズ変更されたデータに対して完全に無効な曲線がプロットされることがわかります。
サイズ変更されたデータに最適なシグモイド曲線を作成してプロットするように、以下のコードを修正する方法を誰か教えてもらえますか? これは、可能な最大値と最小値のスペクトル全体でサイズを変更したときに再現可能である必要があります。
次のコード行で定義されている New_p まで問題を追跡できるようです。
New_p, New_cov, New_infodict, New_mesg, New_ier = scipy.optimize.leastsq(
residuals,New_p_guess,args=(NewX,NewY),full_output=1,warning=True)
しかし、それ以上に問題を深く掘り下げる方法がわかりません。問題はグローバル変数とローカル変数の違いに関係しているのではないかと思いますが、おそらくそれは別のことです。
これが私の完全なコードの現在のドラフトです。
import numpy as np
import matplotlib.pyplot as plt
import scipy.optimize
def GetMinRR(age):
MaxHR = 208-(0.7*age)
MinRR = (60/MaxHR)*1000
return MinRR
def sigmoid(p,x):
x0,y0,c,k=p
y = c / (1 + np.exp(-k*(x-x0))) + y0
return y
def residuals(p,x,y):
return y - sigmoid(p,x)
def resize(x,y,xmin=0.0,xmax=1.0,ymin=0.0,ymax=1.0):
# Create local variables
NewX = [t for t in x]
NewY = [t for t in y]
# If the mins are greater than the maxs, then flip them.
if xmin>xmax: xmin,xmax=xmax,xmin
if ymin>ymax: ymin,ymax=ymax,ymin
#----------------------------------------------------------------------------------------------
# The rest of the code below re-calculates all the values in x and then in y with these steps:
# 1.) Subtract the actual minimum of the input x-vector from each value of x
# 2.) Multiply each resulting value of x by the result of dividing the difference
# between the new xmin and xmax by the actual maximum of the input x-vector
# 3.) Add the new minimum to each value of x
# Note: I wrote in x-notation, but the identical process is also repeated for y
#----------------------------------------------------------------------------------------------
# Subtracts right operand from the left operand and assigns the result to the left operand.
# Note: c -= a is equivalent to c = c - a
NewX -= x.min()
# Multiplies right operand with the left operand and assigns the result to the left operand.
# Note: c *= a is equivalent to c = c * a
NewX *= (xmax-xmin)/NewX.max()
# Adds right operand to the left operand and assigns the result to the left operand.
# Note: c += a is equivalent to c = c + a
NewX += xmin
# Subtracts right operand from the left operand and assigns the result to the left operand.
# Note: c -= a is equivalent to c = c - a
NewY -= y.min()
# Multiplies right operand with the left operand and assigns the result to the left operand.
# Note: c *= a is equivalent to c = c * a
NewY *= (ymax-ymin)/NewY.max()
# Adds right operand to the left operand and assigns the result to the left operand.
# Note: c += a is equivalent to c = c + a
NewY += ymin
return (NewX,NewY)
# Declare raw data for use in creating logistic regression equation
x = np.array([821,576,473,377,326],dtype='float')
y = np.array([255,235,208,166,157],dtype='float')
# Call resize() function to re-calculate coordinates that will be used for equation
MinRR=GetMinRR(50)
MaxRR=1200
minLVET=(y[4]/x[4])*MinRR
maxLVET=(y[0]/x[0])*MaxRR
#x,y=resize(x,y,xmin=0.3, ymin=0.3)
NewX,NewY=resize(x,y,xmin=MinRR,xmax=MaxRR,ymin=minLVET,ymax=maxLVET)
print 'x is: ',x
print 'y is: ',y
print 'NewX is: ',NewX
print 'NewY is: ',NewY
# p_guess is the starting estimate for the minimization
p_guess=(np.median(x),np.median(y),1.0,1.0)
New_p_guess=(np.median(NewX),np.median(NewY),1.0,1.0)
# Calls the leastsq() function, which calls the residuals function with an initial
# guess for the parameters and with the x and y vectors. The full_output means that
# the function returns all optional outputs. Note that the residuals function also
# calls the sigmoid function. This will return the parameters p that minimize the
# least squares error of the sigmoid function with respect to the original x and y
# coordinate vectors that are sent to it.
p, cov, infodict, mesg, ier = scipy.optimize.leastsq(
residuals,p_guess,args=(x,y),full_output=1,warning=True)
New_p, New_cov, New_infodict, New_mesg, New_ier = scipy.optimize.leastsq(
residuals,New_p_guess,args=(NewX,NewY),full_output=1,warning=True)
# Define the optimal values for each element of p that were returned by the leastsq() function.
x0,y0,c,k=p
print('''Reference data:\
x0 = {x0}
y0 = {y0}
c = {c}
k = {k}
'''.format(x0=x0,y0=y0,c=c,k=k))
New_x0,New_y0,New_c,New_k=New_p
print('''New data:\
New_x0 = {New_x0}
New_y0 = {New_y0}
New_c = {New_c}
New_k = {New_k}
'''.format(New_x0=New_x0,New_y0=New_y0,New_c=New_c,New_k=New_k))
# Create a numpy array of x-values
xp = np.linspace(x.min(), x.max(), x.max()-x.min())
New_xp = np.linspace(NewX.min(), NewX.max(), NewX.max()-NewX.min())
# Return a vector pxp containing all the y values corresponding with the x-values in xp
pxp=sigmoid(p,xp)
New_pxp=sigmoid(New_p,New_xp)
# Plot the results
plt.plot(x, y, '>', xp, pxp, 'g-')
plt.plot(NewX, NewY, '^',New_xp, New_pxp, 'r-')
plt.xlabel('x')
plt.ylabel('y',rotation='horizontal')
plt.grid(True)
plt.show()
