Я хочу подгонять неявное ОДУ к некоторым данным, и было бы хорошо, если бы я использовал надежную регрессию. Эта функция реализована в scipy 0.17, но кажется, что решение ODE (assimulo package) требует scipy 0,16 (с scipy 0,17: anaconda3/envs/scipy0.17/lib/python3.4/site-packages/scipy/linalg/../../../../libgfortran.so.3: version 'GFORTRAN_1.4' not found
).scipy 0.16 и надежная регрессия с неявным ODE
В разделе scipy cookboock есть раздел с надежной регрессией. Говорят, что остатки и матрица Якоби модифицируются с каждой отметкой времени. Таким образом, было бы недостаточно изменить только остаточную функцию? Каким образом мне пришлось бы изменить матрицу Jacbian, и это можно сделать при каждом тайм-ауте, используя scipy 0.16?
Любые идеи о том, как я мог бы использовать либо scipy 0.17 с assimulo (возможно, символическими ссылками), либо реализовать надежный нелинейный метод подгонки в scipy 0.16? Или есть некоторые другие пакеты оптимизации, которые будут работать?
Возможно, вас заинтересует этот пакет: http://symfit.readthedocs.io/en/latest/fitting_types.html#ode-fitting – tBuLi