Fitting, incertezze e diagnostica dei residui

di Giux GX-TXT, python-it, scripts-it 3 min di lettura

Corso Python scientifico in GX-TXT · Modulo 10 · Lezione 58

Stimiamo ampiezza e costante di decadimento delle due serie sintetiche, usando le incertezze dichiarate. Confrontiamo le stime con i parametri di generazione, noti perché si tratta di una simulazione.

Obiettivi

  • Registrare una callback del modello esponenziale.
  • Usare le incertezze sigma nel fit.
  • Verificare la convergenza prima di pubblicare il risultato.
  • Leggere parametri, errori standard e residui con le unità corrette.

Esecuzione

Dopo la generazione della lezione 56, importa fit_finale.py, salvalo ed eseguilo nella Sessione corso_python.

Script di fitting nell'editor GX-TXT.
Script di fitting nell'editor GX-TXT.
import numpy as np
from gxtxt import gxtxt_api_call, gxtxt_api_require, gxtxt_callback_register, gxtxt_callback_release

for api in ("NUMERIC_API_v1@1:math.numeric+script_callback_functions", "CANONICAL_DATASET_API_v2@2", "DATASET_PUBLICATION_API_v2@2"):
    gxtxt_api_require(api)
def modello(parametri, tempi):
    p = np.asarray(parametri).reshape(-1)
    return p[0] * np.exp(-p[1] * np.asarray(tempi).reshape(-1))
handle = gxtxt_callback_register(modello)
try:
    for nome, atteso in (("a", 0.5), ("b", 0.8)):
        sorgente = "corso_finale_" + nome
        dati = gxtxt_api_call("CANONICAL_DATASET_API_v2", "read_range", [sorgente, ["tempo", "segnale", "sigma"], 0, 21])
        t, y, sigma = [np.asarray(dati[v]["values"]).reshape(-1) for v in ("tempo", "segnale", "sigma")]
        fit = gxtxt_api_call("NUMERIC_API_v1", "nonlinear_fit", [t, y, handle, [2.5, 0.6], {"sigma": sigma}])
        if not fit["converged"]:
            raise RuntimeError("Il fit non converge: " + sorgente)
        p = np.asarray(fit["parameters"]).reshape(-1)
        previsto = modello(p, t)
        residui = y - previsto
        print(sorgente, "convergenza:", fit["converged"])
        print("Ampiezza (mV), k (1/s):", p, "k generazione:", atteso)
        print("Errori standard:", np.asarray(fit["standard_errors"]).reshape(-1))
        print("RMS residui (mV):", np.sqrt(np.mean(residui**2)))
        richiesta = {"dataset_id": "corso_finale_fit_" + nome, "contract": "table.generic", "storage": "csv", "replace_owned": True,
            "x_values": t, "y_values": previsto,
            "x_variable": {"variable_id": "tempo", "name": "tempo", "unit": "s"},
            "y_variable": {"variable_id": "fit", "name": "fit", "unit": "mV"},
            "source_dataset_ids": [sorgente], "provenance": "Fit esponenziale di dati sintetici"}
        gxtxt_api_call("DATASET_PUBLICATION_API_v2", "publish_series", [richiesta])
finally:
    gxtxt_callback_release(handle)

La callback restituisce una previsione per ciascun tempo. Per ogni condizione leggiamo i 21 punti e le incertezze, richiediamo il fit con sigma e controlliamo converged. Se il solver non converge, lo script solleva un errore invece di presentare il risultato come riuscito. Il finally rilascia la callback. Le curve previste vengono pubblicate separatamente come corso_finale_fit_a e corso_finale_fit_b, con riferimento alle sorgenti sintetiche.

Risultati effettivi dei fit per le due condizioni sintetiche.
Risultati effettivi dei fit per le due condizioni sintetiche.

Nell’esecuzione mostrata entrambi i fit convergono. Per A otteniamo circa \(A=2{,}984\,\mathrm{mV}\), \(k=0{,}498\,\mathrm{s}^{-1}\); per B circa \(A=3{,}015\,\mathrm{mV}\), \(k=0{,}793\,\mathrm{s}^{-1}\). I valori di generazione erano rispettivamente 0,5 e 0,8 s⁻¹. Il rumore sintetico spiega perché le stime non coincidano esattamente con i parametri impostati.

Gli errori standard riportati dal provider dipendono dal modello, dai pesi e dalle ipotesi del calcolo; non sono automaticamente intervalli di confidenza. L’RMS dei residui è circa 0,035 mV per A e 0,043 mV per B. Esaminare anche la distribuzione e l’andamento dei residui è utile: una singola metrica non garantisce che il modello descriva adeguatamente i dati.

Esercizio

  1. Quali parametri sono stati stimati e quali unità hanno?
  2. Perché le stime non devono coincidere esattamente con i valori di generazione?
  3. Che cosa fa lo script se converged è falso?

Soluzione ragionata

  1. Ampiezza in mV e costante di decadimento in s⁻¹.
  2. Ai dati ideali è stato aggiunto rumore sintetico.
  3. Solleva un errore e non pubblica quel fit come risultato riuscito.

Scarica gli script del Modulo 10 (ZIP)

#GX-TXT #Python #Riproducibilità

Altre tappe del progetto

Lascia un commento

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