Question

我正在尝试将逻辑函数拟合到包含非常大的x值（1000＆＃39; s）和非常小的y值（1e-4）的数据集。如下面的代码所示，如果我执行代码，则解释器返回

RuntimeError: Optimal parameters not found: Number of calls to function has reached maxfev = 1000.

如果我将ydata乘以1000，则curve_fit函数成功地适合它。但是我必须将一些拟合值除以1000.有没有办法曲线拟合这些极值而不改变原始值？

import numpy as np
from scipy.optimize import leastsq, curve_fit
import matplotlib.pyplot as plt

def logistic(x, N, A, b, y0):
    return N / (1 + A*b**-x) + y0

xdata = np.array([100, 250, 500, 750, 1000, 1250, 1500])
ydata = np.array([0, 1e-6, 6.5e-5, 1.5e-4, 4.2e-4, 5.5e-4, 5.8e-4])

popt, pcov = curve_fit(logistic, xdata, ydata)

x = np.linspace(0, 2500, 50)
y = logistic(x, *popt)

plt.plot(xdata, ydata, 'o', label='data')
plt.plot(x,y, label='fit')
plt.legend(loc='best')
plt.show()

此外，是否可以以逻辑函数的指数形式拟合曲线，例如（https://en.wikipedia.org/wiki/Logistic_function）？

def logistic_e(x, N, b, y0, x0):
    return N / (1 + np.exp(-b*(x-x0))) + y0

如果我使用logistic_e，那么无论我如何修改数据集，我总是收到

/usr/lib/python3/dist-packages/scipy/optimize/minpack.py:779: OptimizeWarning: Covariance of the parameters could not be estimated  category=OptimizeWarning)

感谢您的支持！

Answer 1

你必须不断调整你的maxfev值，这是非常高的数字，所以调整为适合

popt, pcov = curve_fit(logistic, xdata, ydata, maxfev=1005000)

Answer 2

您可以尝试将缩放设置转换为StandardScaler或Normalizer（对于X）和MinMaxScaler（对于y）。在预测y之后，您可以使用MinMaxScaler上的inverse_transform将其重新调整到您感兴趣的范围内。

Answer 3

您可以扩展数据，例如，您可以使用Sklearn预处理：

enter link description here

在Python中，如何对包含非常大的x值和非常小的y值的数据集执行逻辑回归？

3 个答案: