我想使用 zfit 通过直线 (a*x+b) 拟合二维图，如下图。
probfit 包很容易做到这一点，但它已被 scikit-hep 弃用。 https://nbviewer.jupyter.org/github/scikit-hep/probfit/blob/master/tutorial/tutorial.ipynb
如何通过任何函数拟合这样的 2dim 图？ 我检查了 zfit 示例，但似乎假设有一些分布（直方图），因此 zfit 需要像 1d 数组这样的数据集，我无法了解如何将 2d 数据传递给 zfit。
【问题讨论】：
标签： zfit
目前在 zfit 中没有直接的方法来实现这个开箱即用（一行），因为根本没有添加相应的损失。
但是，SimpleLoss (zfit.loss.SimpleLoss) allows you to construct 您可以想到的任何损失（请查看文档字符串中的示例）。在你的情况下，这看起来像这样：
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，添加这样的损失是个好主意。如果您有兴趣投稿，我建议您与作者联系，他们会很乐意为您提供帮助并指导您。
更新
损失函数本身大概由三到四件事组成：x、y、模型，可能还有 y 的不确定性。 chi2 损失如下所示：
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())
就是这样，4 行代码。 x 是 zfit.Data 对象，在本例中模型是 Func。
这行得通吗？ 就是这样。
【讨论】：