[英]Non-linear least squares with arbitrary number of fitting parameters in R
我想拟合一个模型,该模型包括可变系数个数之和,例如这里
我想编写代码,以便潜在的用户可以在运行拟合例程时指定系数的数量(即,将i设置为任何正整数值),但是我什至不知道如何开始对此进行编码。 当然,我可以简单地写出大量潜在变量的结果方程式(例如1 <i <10 ),并在开始时切换到指定的方程式,但是我更喜欢“更漂亮”的解决方案(即更少行)(如果R中完全可用)。我目前正在使用nls ,但是我当然会对任何解决方案感到满意。
到目前为止,这是我尝试过的方法:
Model <- function(X0, t, X, tau){X0+((X*tau*(exp(1/tau)-1))*exp(-t/tau))}
set.seed(1)
df <- data.frame(t=sort(sample(1:100,50)))
df$P <- jitter(with(df, Model(X0=0.1, t=t, X=0.2, tau=5)), 1000)
Model_fit <- nls(P ~ Model(X0=0.1, t=t, X=X1_fit, tau=5)
, start = list(X1_fit=c(0.1)), data=df, trace = F)
plot(df$t,df$P)
lines(df$t, predict(Model_fit, list(P = df$P)))
效果很好。 只需将向量传递给X1_fit
,即可轻松拟合多个系数。 但是,我现在正在努力的是如何在公式中正确地计算总和。 我不能只用
X=c(0.2,5)
Model <- function(X0, t, X, tau){X0+sum((X*tau*(exp(1/tau)-1))*exp(-t/tau))}
因为这当然会返回单个值,即对t
的依赖关系会丢失。 取而代之的是,该代码仅需要为每个t
单独值取和,以便该函数仍返回长度为t
的向量。 但是,我正在努力弄清楚如何在不恢复循环的情况下执行此操作,这可能也很难通过nls来适应?
干杯!
编辑
@G。 Grothendieck的答案很好用,但是我意识到拟合过程对方程中的微小修改非常敏感,尤其是当需要拟合多个常数时。 例如
set.seed(1)
Model <- function(X0, t, X, tau) {
res <- X0 + rowSums(sapply(seq_along(X), function(i)
(X[i]*tau[i]/5*(exp(5/tau[i])-1))*exp(-t/tau[i])))}
df <- data.frame(t=sort(sample(1:100,50)))
df$P <- jitter(with(df, Model(X0=0.1, t=t, X=c(0.2, 2), tau=c(4, 7))), 1000)
Model_fit <- nls(P ~ Model(X0=0.1, t=t, X=X1_fit, tau=tau_fit)
, start = list(X1_fit=c(0.1, 1), tau_fit=5:6), data=df)
不运行
Error in nls(P ~ Model(X0 = 0.1, t = t, X = X1_fit, tau = tau_fit), start = list(X1_fit = c(0.1, :
step factor 0.000488281 reduced below 'minFactor' of 0.000976562
(即使在减小步长和增加迭代次数的情况下,我在两个位置都添加了常数5
,现在也尝试拟合tau
)。 原则上,我理解拟合4个系数很容易变得不稳定,但是我在Matlab中拥有的替代代码似乎可以很好地处理(就此而言,甚至可以拟合更多的系数)。 也许在一个单独的问题中会更好,但是由于该线程指的是“任意数量的拟合参数”,我认为此后续操作最好作为编辑来完成。
sapply
对i创建2D矩阵和使用rowSums
执行求和:
set.seed(1)
Model <- function(X0, t, X, tau) {
res <- X0 + rowSums(sapply(seq_along(X), function(i)
(X[i]*tau[i]*(exp(1/tau[i])-1))*exp(-t/tau[i])))
}
df <- data.frame(t=sort(sample(1:100,50)))
df$P <- jitter(with(df, Model(X0=0.1, t=t, X=c(0.2, 2), tau=c(4, 7))), 1000)
Model_fit <- nls(P ~ Model(X0=0.1, t=t, X=X1_fit, tau=5:6)
, start = list(X1_fit=c(0.1, 1)), data=df, trace = F)
plot(df)
lines(fitted(Model_fit) ~ t, df, col = "red")
给予:
> Model_fit
Nonlinear regression model
model: P ~ Model(X0 = 0.1, t = t, X = X1_fit, tau = 5:6)
data: df
X1_fit1 X1_fit2
0.2107 2.0849
residual sum-of-squares: 0.5175
Number of iterations to convergence: 1
Achieved convergence tolerance: 1.511e-07
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.