[英]3 parameter nonlinear equation fitting in R
我试图在 R 中找到一种方法,它允许一般方程 a*b^x + c 的参数(a、b、c)提供最适合 3 个约束随机坐标/点(p1、p2、p3 - 坐标分别为 x1/y1、x2/y2 和 x3/y3)。
这些坐标的约束是:
我想找到一种能够为 a、b 和 c 生成值的方法,它生成一条接近 p1、p2 和 p3 的线。 这只是使用 desmos(示例参见此处 - https://www.desmos.com/calculator/4lmgazmrko ),但我无法在 R 中找到解决方案。我尝试了以下方法:
x <- c(0, 0.7, 0.9)
y <- c(0.9, 0.8, 0)
df_test <- as.data.frame(cbind(x, y))
predict_y_nonlinearly <- function(beta, x){
beta[1]*(beta[2]^x) + beta[3]
}
a_nonlinearmodel <- function(beta, x, y){
y_hat <- predict_y_nonlinearly(beta, x)
sum((y-y_hat)^2)
}
beta <- optim(rnorm(3), a_nonlinearmodel, method = "SANN",
y = df_test$y, x = df_test$x)$par
predict_y_nonlinearly(beta, df_test$x)
但是优化 function 似乎陷入了局部最小值,并且很少产生正确的解决方案(即使使用不同的“方法”设置)。 我知道 nls function,但这需要选择起始值——我更喜欢在这个阶段不需要手动输入的方法(因为 desmos 方法能够实现)。
谢谢
给定两个零约束,我们可以通过分析将其简化为单参数问题:
x1 = 0 → y1 = a + c → c = y1-a
y3 = 0 → 0 = a*b^x3 + (y1-a)
→ a*(b^x3 - 1) = -y1
→ a = y1/(1-b^x3)
所以我们有一个预测y
的单参数 function,包含x1 = y3 = 0
约束:
predfun <- function(b = 1, x, y) {
a <- y[1]/(1-b^x[3])
c <- y[1] - a
a*b^x +c
}
平方和目标 function:
target <- Vectorize(function(b) sum((y - predfun(b, x, y))^2))
可视化:
curve(target, from = -10000, to = 100000, log = "y")
现在使用optimize()
进行一维优化(我们仍然需要指定一个起始区间,虽然不是一个具体的起始点)。
optimize(target, c(-10000, 1000000))
结果:
$minimum
[1] 58928.93
$objective
[1] 2.066598e-20
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.