Firma de método para Jacobian de una función de mínimos cuadrados en scipy

Question

¿Alguien puede dar un ejemplo de proporcionar un jacobiano a least squares function en scipy?

No puedo entender la firma del método que quieren, dicen que debería ser una función, sin embargo, es muy difícil determinar qué parámetros de entrada y en qué orden debe aceptar esta función.

Answer 1

Aquí está la guarnición de decaimiento exponencial que llegué a trabajar con esto:

import numpy as np 
from scipy.optimize import leastsq 

def f(var,xs): 
    return var[0]*np.exp(-var[1]*xs)+var[2] 

def func(var, xs, ys): 
    return f(var,xs) - ys 

def dfunc(var,xs,ys): 
    v = np.exp(-var[1]*xs) 
    return [v,-var[0]*xs*v,np.ones(len(xs))] 

xs = np.linspace(0,4,50) 
ys = f([2.5,1.3,0.5],xs) 
yn = ys + 0.2*np.random.normal(size=len(xs)) 
fit = leastsq(func,[10,10,10],args=(xs,yn),Dfun=dfunc,col_deriv=1) 

Si quería utilizar col_deriv=0, creo que tendría que tomar básicamente la transpuesta de lo vuelvo con dfunc. Sin embargo, tienes razón: la documentación sobre esto no es tan buena.