2 dim数据集的zfit直线拟合

Question

我想用zfit来拟合2昏暗的直线(a*x+b)，如下图所示。

​

这是非常容易的工作，由一个概率包，但它已被反对的科学工具包-hep。https://nbviewer.jupyter.org/github/scikit-hep/probfit/blob/master/tutorial/tutorial.ipynb

我怎样才能用任何函数来拟合这样两个模糊的情节呢？我已经检查了zfit示例，但是它似乎被假定为某种分布(直方图)，因此zfit需要像1d数组这样的数据集，而且我无法达到如何将2d数据传递给zfit。

Answer 1

zfit目前没有直接的方法来实现这个开箱即用(只有一行)，因为没有添加相应的损失。

但是，SimpleLoss (zfit.loss.SimpleLoss) 允许您构造 --您可以想到的任何损失--(请看一下这个示例以及docstring中的示例)。在您的例子中，这将大致如下所示：

x = your_data
y = your_targets  # y-value
obs = zfit.Space('x', (lower, upper))

param1 = zfit.Parameter(...)
param2 = zfit.Parameter(...)
...
model = Func(...)  # a function is the way to go here
data = zfit.Data.from_numpy(array=x, obs=obs)

def mse():
    prediction = model.func(data)
    value = tf.reduce_mean((prediction - y) ** 2)  # or whatever you want to have
    return value

loss = zfit.loss.SimpleLoss(mse, [param1, param2])
# etc.

另一方面，增加这样的损失是个好主意。如果你有兴趣做贡献，我建议你和作者联系，他们会很乐意帮助你，引导你去做。

更新

损失函数本身大概由三到四件东西组成: x，y，一个模型，可能是y的一个不确定性。chi2损失看起来如下：

def chi2():
    y_pred = model.func(x)
    return tf.reduce_sum((y_pred - y) / y_error) ** 2)
    
loss = zfit.loss.SimpleLoss(chi2, model.get_params())

就这些，4行代码。X是zfit.Data对象，模型在本例中是Func。

那有用吗？就这样。