scipy.odr.

Data

class scipy.odr.Data(x, y=None, we=None, wd=None, fix=None, meta=None)

Die zu fittenden Daten.

Parameter:

xarray_like

Beobachtete Daten für die unabhängige Variable der Regression

yarray_like, optional

Wenn Array-ähnlich, beobachtete Daten für die abhängige Variable der Regression. Eine skalare Eingabe impliziert, dass das zu verwendende Modell für die Daten implizit ist.

wearray_like, optional

Wenn we ein Skalar ist, wird dieser Wert für alle Datenpunkte (und alle Dimensionen der Antwortvariablen) verwendet. Wenn we ein Rang-1-Array der Länge q (die Dimensionalität der Antwortvariablen) ist, dann ist dieser Vektor die Diagonale der kovarianten Gewichtungsmatrix für alle Datenpunkte. Wenn we ein Rang-1-Array der Länge n (die Anzahl der Datenpunkte) ist, dann ist das i-te Element das Gewicht für die i-te Beobachtung der Antwortvariablen (nur eindimensional). Wenn we ein Rang-2-Array der Form (q, q) ist, dann ist dies die vollständige kovariante Gewichtungsmatrix, die auf jede Beobachtung übertragen wird. Wenn we ein Rang-2-Array der Form (q, n) ist, dann ist we[:,i] die Diagonale der kovarianten Gewichtungsmatrix für die i-te Beobachtung. Wenn we ein Rang-3-Array der Form (q, q, n) ist, dann ist we[:,:,i] die vollständige Spezifikation der kovarianten Gewichtungsmatrix für jede Beobachtung. Wenn die Anpassung implizit ist, wird nur ein positiver Skalarwert verwendet.

wdarray_like, optional

Wenn wd ein Skalar ist, wird dieser Wert für alle Datenpunkte (und alle Dimensionen der Eingabevariablen) verwendet. Wenn wd = 0, dann wird die kovariante Gewichtungsmatrix für jede Beobachtung auf die Identitätsmatrix gesetzt (sodass jede Dimension jeder Beobachtung das gleiche Gewicht hat). Wenn wd ein Rang-1-Array der Länge m (die Dimensionalität der Eingabevariablen) ist, dann ist dieser Vektor die Diagonale der kovarianten Gewichtungsmatrix für alle Datenpunkte. Wenn wd ein Rang-1-Array der Länge n (die Anzahl der Datenpunkte) ist, dann ist das i-te Element das Gewicht für die i-te Beobachtung der Eingabevariablen (nur eindimensional). Wenn wd ein Rang-2-Array der Form (m, m) ist, dann ist dies die vollständige kovariante Gewichtungsmatrix, die auf jede Beobachtung übertragen wird. Wenn wd ein Rang-2-Array der Form (m, n) ist, dann ist wd[:,i] die Diagonale der kovarianten Gewichtungsmatrix für die i-te Beobachtung. Wenn wd ein Rang-3-Array der Form (m, m, n) ist, dann ist wd[:,:,i] die vollständige Spezifikation der kovarianten Gewichtungsmatrix für jede Beobachtung.

fixarray_like von ints, optional

Das Argument fix ist dasselbe wie ifixx in der Klasse ODR. Es ist ein Array von ganzen Zahlen mit derselben Form wie data.x, das bestimmt, welche Eingabebeobachtungen als fixiert behandelt werden. Man kann eine Sequenz der Länge m (die Dimensionalität der Eingabebeobachtungen) verwenden, um einige Dimensionen für alle Beobachtungen zu fixieren. Ein Wert von 0 fixiert die Beobachtung, ein Wert > 0 macht sie frei.

metadict, optional

Freie Wörterbuch für Metadaten.

Methoden

set_meta(**kwds)

Aktualisiert das Metadaten-Wörterbuch mit den über die Schlüsselwörter bereitgestellten Schlüsselwörtern und Daten.

Hinweise

Jedes Argument wird dem Mitglied der Instanz mit demselben Namen zugeordnet. Die Strukturen von x und y sind in der Dokumentation der Model-Klasse beschrieben. Wenn y eine ganze Zahl ist, dann kann die Data-Instanz nur mit impliziten Modellen verwendet werden, bei denen die Dimensionalität der Antwort gleich dem angegebenen Wert von y ist.

Das Argument we gewichtet den Effekt, den eine Abweichung in der Antwortvariablen auf die Anpassung hat. Das Argument wd gewichtet den Effekt, den eine Abweichung in der Eingabevariablen auf die Anpassung hat. Um multidimensionale Eingaben und Antworten einfach zu handhaben, hat die Struktur dieser Argumente die n-te dimensionale Achse zuerst. Diese Argumente nutzen stark die Funktion für strukturierte Argumente von ODRPACK, um alle Optionen bequem und flexibel zu unterstützen. Siehe das ODRPACK User's Guide für eine vollständige Erklärung, wie diese Gewichte im Algorithmus verwendet werden. Grundsätzlich führt ein höherer Gewichtswert für einen bestimmten Datenpunkt dazu, dass eine Abweichung an diesem Punkt nachteiliger für die Anpassung ist.