从zFit中的玩具中提取图形

Question

首先，我想说，我在这个问题上确实有概念上的困难，所以如果我的意图没有意义，请纠正我。

我试图验证用于从分布中提取信号产量的模型。为了简单起见，假设只有一个信号分布而没有背景。模型是一个标准的Gauss，我创建了一个扩展的PDF。

在我的想法中，我会从PDF中创建样本数据，并且只改变事件的数量，即只改变缩放。比我更适合这个玩具样本，并通过计算将所产生的事件数与拟合的信号产量进行比较。

pull = (N_generated - N_fit) / sigma_Nfit

我不明白的是我是如何设置并得到生成的数字的。在这一代中，我想随机设置事件数(我猜泊松分布？)并保持所有其他模型参数的固定。

最后，我有了signal+background发行版，并希望：

1. 改变信号数目+保持背景数固定的

固定信号+在n_total = n_signal +分数* n_background中的可变n_total分数

以下代码摘自zfit教程并更新为具有扩展模型(也可以在这里找到：https://github.com/holyschmoly/zfit_toymc)：

mu = zfit.Parameter('mu', 0, -1, 1)
sigma = zfit.Parameter('sigma', 1, 0.5, 1.5)
model = zfit.pdf.Gauss(obs=obs, mu=mu, sigma=sigma)

# do i need this range here?
nsig_toy = 1e4
nsig_range = 0.1
n_sig = zfit.Parameter('n_sig', nsig_toy, nsig_toy*(1-nsig_range), nsig_toy*(1+nsig_range))
model = model.create_extended(n_sig)

# vary only n_sig
sampler = model.create_sampler(fixed_params=[mu, sigma])
nll = zfit.loss.ExtendedUnbinnedNLL(model, sampler)

minimizer = zfit.minimize.Minuit(
    strategy=zfit.minimize.DefaultToyStrategy(),
    verbosity=0,
    tolerance=1e-3,
    use_minuit_grad=True)
params = nll.get_params()

fit_results = []
ntoys = 10

while len(fit_results) < ntoys:

    # What does really happen here?
    sampler.resample()

    # I think this is probably not what I want but I don't understand why
    # this is needed in the first place.
    # I want something like: vary n_sig randomly, keep mu and sigma fixed
    for param in params:
       param.randomize()

    result = minimizer.minimize(nll)

    if result.converged:
        result.hesse()
        fit_results.append(result)
    
# Now I want something like this:
# pull =  (N_generated - N_fit ) / sigma_fit
# for each fit_result.

Answer 1

这看起来是一件合理的事。问题是你是否真的想只改变信号和bkg，但它当然是自由的。

那么你需要的是一些更复杂的东西。

首先要做的事情是：resample方法实际上再次从PDF中取样。然而，从整个PDF，而不是部分。

您需要的是一个for-循环，在这个for-循环中，可以使用来自pdf的pdf方法来生成各个部件。然后你把它们缝合在一起，造成损失。然后你把这个损失降到最低限度。让我把它画出来：

for i in ntoys:
    # calculate how many background and signal samples you want, e.g. with numpy
    sample_bkg = bkg_pdf.sample(n=...)
    sample_signal = sig_pdf.sample(n=...)
    sample = tf.concat([sample_sig.value(), sample_bkg.value()], axis=0)
    data = zfit.Data.from_tensor(tensor=sample, obs=obs)
    nll = zfit.loss.ExtendedUnbinnedNLL(model, data)
    result = minimizer.minimize(nll)
    # use the result to get the param values
    nsig = result.param[sig_yield]['value']  # assuming sig_yield is a zfit.Parameter, the yield of the signal
    # calculate pull, add it to a list of pulls

也许您想在循环的开头添加一个zfit.run.clear_graph_cache()，否则内存就会继续增长，或者在脚本开始时使用zfit.run.set_graph_mode(False)以急切的方式运行所有的东西。这可能是更快或更慢，取决于复杂性。对于简单、快速的匹配，如果将图形模式设置为False，这会更快，对于更复杂的情况，第一种方法--清除缓存--应该会执行得更好。