Corso Python scientifico in GX-TXT · Modulo 8 · Lezione 46

Il Curve Fitter permette di adattare un modello a una curva di un Dataset e di esaminare parametri e residui. In questa lezione usiamo una serie sintetica esattamente lineare, così da confrontare il risultato con i parametri noti.

Obiettivi

  • Caricare una curva da un Dataset e scegliere un modello.
  • Distinguere anteprima e fit accettato.
  • Leggere parametri, unità, residui e stato del metodo.
  • Consultare da Python il catalogo dei modelli disponibili.

Carica la curva

Apri la Sessione corso_python, seleziona Viewers → Curve Fitter, scegli il Dataset corso_python_seconda_serie, X tempo (s) e Y segnale (mV), quindi Add Dataset curve. Questo Dataset è stato creato nella lezione 34 e contiene quattro punti sintetici sulla retta \(y=1+0{,}2t\), con y in mV e t in s.

Seleziona la curva nell’elenco delle sorgenti e scegli Fit → Preview fit. Il modello lineare di questo esempio produce l’anteprima seguente. Per conservare il fit usa Fit → Accept fit, assegna un nome e salva il Workspace.

Punti sintetici e retta adattata nel Curve Fitter GX-TXT.
Punti sintetici e retta adattata nel Curve Fitter GX-TXT.

Parametri e residui

Apri Parameters & Statistics. L’intercetta è circa 1 mV e la pendenza circa 0,2 mV/s, come previsto dalla formula che ha generato i dati. Il metodo riportato è una soluzione lineare diretta: lo stato della convergenza iterativa è indicato come non applicabile. Non va descritto come un solver iterativo convergente.

Parametri del fit lineare e unità nel Curve Fitter.
Parametri del fit lineare e unità nel Curve Fitter.

Nella scheda Residuals, il residuo è dato da osservato meno previsto. In questo esempio ideale i residui sono vicini a zero a precisione numerica: i dati sono stati costruiti esattamente sulla stessa retta. Questa situazione non dimostra che un modello lineare sia sempre appropriato per dati sperimentali.

Residui del fit sui quattro punti sintetici.
Residui del fit sui quattro punti sintetici.

Catalogo dei modelli da Python

Il seguente script interroga le schede dei modelli e l’elenco dei Workspace della Sessione. Importalo nel Python Script Workspace e avvialo nel Runner.

from gxtxt import gxtxt_api_call, gxtxt_api_require

gxtxt_api_require("DATASET_CURVE_FIT_API_v1@1")
gxtxt_api_require("SESSION_WORKSPACE_API_v1@1")
modelli = gxtxt_api_call("DATASET_CURVE_FIT_API_v1", "model_cards", [])
spazi = gxtxt_api_call("SESSION_WORKSPACE_API_v1", "list", [])
print("Schede modello disponibili:", len(modelli))
print("Workspace della Sessione:", len(spazi))
for spazio in spazi:
    print("Workspace:", spazio.get("id"), spazio.get("name"), spazio.get("provider_id"))
Output del Job: numero di schede modello e Workspace disponibili.
Output del Job: numero di schede modello e Workspace disponibili.

Nell’esecuzione mostrata l’API restituisce 22 schede e un Workspace di Curve Fitter. Una recipe pubblica catturata da un fit accettato permette di descrivere e ripetere esplicitamente un’analisi; occorre usare l’identità del risultato e verificare sorgente e versione prima del riutilizzo.

Nota sulla versione. Nella copia dev112-P011-bis utilizzata per la guida, la lettura generica del Workspace di Curve Fitter tramite SESSION_WORKSPACE_API_v1/get ha restituito un errore di trasporto (unsupported provider result type Tcl_Obj). Per questo non mostriamo uno screenshot dell’acquisizione della recipe tramite quella lettura. Il comportamento atteso è restituire il Workspace con dati trasferibili al client, così da poter proseguire con le operazioni pubbliche sui risultati. La correzione non è stata verificata in questa installazione; la versione in cui sarà disponibile va confermata sulla release effettiva.

Esercizio

  1. Quali unità hanno intercetta e pendenza?
  2. Perché i residui sono quasi nulli nell’esempio?
  3. Perché lo stato «convergenza iterativa non applicabile» non significa automaticamente che il fit sia fallito?

Soluzione ragionata

  1. L’intercetta è in mV; la pendenza in mV/s.
  2. I quattro punti sintetici sono stati costruiti su una retta; restano piccoli scarti numerici.
  3. Il metodo mostrato è una soluzione diretta, non un algoritmo iterativo: va letto l’esito della soluzione insieme ai parametri e ai residui.

Nella prossima lezione confronteremo modelli diversi sugli stessi dati.

Scarica gli script del Modulo 08 (ZIP)

#GX-TXT #Python #Statistica

Altre tappe del progetto

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *