Python, Lmfit, globalfit

Question

Я пытаюсь выполнить глобальную подгонку, используя 1 общий параметр и 6 других параметров. dataComplete - мои данные анализируются из текстового файла и значения доз = х. Здесь значение bValue изменяется в зависимости от концентрации, а остальные остаются неизменными. Существуют некоторые расчеты с использованием параметров, прежде чем они будут подвергнуты глобальной подгонке. Я получаю две ошибки

1: значения нан и 2: TypeError: неправильный ввод: N = 35 не должна превышать M = 22

Я проверил отдельные элементы, и они, кажется, работают, но не глобальный нужным. Любая помощь будет высоко ценится. Я попытался использовать код из ранее разрешенного примера здесь, но, очевидно, что-то не так.

##file parser 
## coded elsewhere 

dataComplete = [[90.47, 91.6, 89.83, 68.58, 56.68, 41.93, 1.09, 17.0, 9.19, 1.84, 0.1, 0.38, -0.37, 0.47, 0.65, -0.01, 0.36, 0.18, 0.29, 0.12, 0.87, -1.26], [108.07, 115.49, 102.48, 104.09, 110.15, 72.64, 49.11, 37.35, 24.94, 14.33, 6.31, 3.07, 9.81, 0.2, 0.74, 0.59, 1.11, 0.44, 0.34, 1.03, 0.06, 1.08], [100.93, 118.82, 89.76, 116.32, 127.06, 97.5, 69.71, 47.17, 44.16, 22.15, 18.6, 9.64, 2.56, 2.02, 0.93, 0.29, 1.11, -0.04, 0.27, -0.23, 1.0, 0.18], [99.87, 110.15, 92.21, 92.59, 96.8, 92.69, 81.39, 70.09, 44.08, 39.48, 7.66, 21.49, 2.96, 5.04, 1.87, 2.49, 1.26, 0.53, 0.65, 0.97, 1.15, 0.52], [102.14, 97.94, 94.85, 94.48, 101.22, 94.81, 111.42, 94.96, 61.2, 33.17, 29.37, 11.33, 23.67, 15.97, 6.52, 2.4, 2.29, 0.27, 0.08, 0.31, 0.09, -0.09]] 

dose = [-5.0, -5.30103, -5.60206, -5.90309, -6.20412, -6.50515, -6.80618, -7.10721, -7.40824, -7.70927, -8.0103, -8.31133, -8.61236, -8.91339, -9.21442, -9.51545, -9.81648, -10.11751, -10.41854, -10.71957, -11.0206, -11.32163] 



def objective(params,xdata,ydata): 
    resid = 0.0*ydata[:] 
    for i in range(5): 
     logEc50 = 10**(params['logEc50_%i' %(i+1)].value) 
     bValue = params['bValue_%i' %(i+1)].value 
     pA2 = params['pA2_%i' %(i+1)].value 
     schildSlope = params['schildSlope_%i' %(i+1)].value 
     top = params['top_%i' %(i+1)].value 
     bottom = params['bottom_%i' %(i+1)].value 
     hillSlope = params['hillSlope_%i' %(i+1)].value 

     ec50 = 10**(logEc50) 
     Antag = 1+(bValue/(10**(-1*pA2)))**schildSlope 
     LogEC=np.log((ec50*Antag)) 

     resid[i, :] =bottom + (top-bottom)/(1+10**((LogEC-dose)*hillSlope)) 
    return resid[i, :] - ydata[i, :] 


params = Parameters() 
molar = [1.25e-7,2.5e-8,1e-8,5e-9,0] 

for i in range(5): 
    params.add('logEc50_%i' % (i+1),value=-6.96) 
    params.add('bValue_%i' % (i+1),value=molar[i]) 
    params.add('pA2_%i' % (i+1),value=7.48) 
    params.add('schildSlope_%i' % (i+1),value=1) 
    params.add('bottom_%i' % (i+1),value=-0.2) 
    params.add('top_%i' % (i+1),value=109.496) 
    params.add('hillSlope_%i' % (i+1),value=1) 


#data 
dataComplete = [[]]*5 
dataComplete[0]=conc1 
dataComplete[1]=conc2 
dataComplete[2]=conc3 
dataComplete[3]=conc4 
dataComplete[4]=conc5 


print dataComplete 
dataComplete = np.array(dataComplete) 
assert(dataComplete.shape) ==(5,22) 

#x data 
dose = np.array(dose) 

#fitting 
result = minimize(objective,params,args=(dose,dataComplete)) 

lmfit.printfuncs.report_fit(result.params) 

Answer 1

Я бы предположил, что вы столкнулись с числовыми проблемами с большим количеством мощностей 10 и журналов. Например, с

logEc50_i ~= 7 

вы поднимите что к власти 10 с

logEc50 = 10**(params['logEc50_%i' %(i+1)].value) 

затем поднимите , что к власти 10:

ec50 = 10**(logEc50) 

(делает это в два раза только

Затем вы умножаете это на Antag, что это отношение двух чисел ~ 1e-7, что должно привести к чему-то близкому к единице, а затем взять журнал, что:

LogEC=np.log((ec50*Antag)) 

Я думаю, что вы действительно хотите использовать свойство логарифмов как

log(a*b) = log(a) + log(b) 
log(x**y) = y*log(x) 

здесь, чтобы предотвратить числовые неустойчивости.

Я не видел, какой параметр должен быть разделяем между наборами данных, но похоже, что вы намереваетесь разместить 5 отдельных наборов данных с 7 переменными для каждого - одно из них должно быть ограничено тем же значение для всех наборов данных? Если у вас всего 22 наблюдения, то это не имеет большого значения, является ли это 35 переменных или 31 переменным, все еще недостаточно общего наблюдения, чтобы соответствовать многим переменным.

Но похоже, что у вас действительно есть 22 наблюдения для каждого из пяти наборов данных. Я думаю, что вы можете столкнуться с тем, что вам нужно оценить остаточное значение для каждого набора данных, а затем конкатенировать результат, чтобы массив с переменным значением для всех пяти наборов данных имел 110 элементов.