如何构建可自定义拐点且x趋近0时平滑过渡的自定义Sigmoid函数

问题根源 #

你使用的经典Logistic函数1/(1+np.exp(-k(x-x0)))无法满足x→0时y→0的边界条件——当x趋近于0时，函数值为1/(1+np.exp(k*x0))，是一个大于0的固定值，这就是x接近0时过渡生硬的核心原因。直接添加偏移量会被curve_fit自动调整覆盖，因为拟合过程会优先满足指定的拐点A、B，忽略手动添加的偏移。

解决方案：构造带边界约束的自定义Sigmoid #

我们需要构造一个同时满足以下要求的函数：

• 输入x>0时，输出y∈(0,1)；x→0⁺时y→0，x→+∞时y→1
• 严格经过你指定的两个拐点A(x₁,y₁)、B(x₂,y₂)
• 曲线过渡平滑

函数设计思路 #

对经典Logistic函数做归一化修正：先计算原Logistic在x=0处的取值，再将整个函数向下偏移该值，最后归一化到0~1范围，确保边界条件成立。

具体实现代码 #

1. 自定义Sigmoid函数定义

import numpy as np

def fixed_boundary_sigmoid(x, k, x0):
    # 计算原Logistic在x=0处的取值
    y_at_0 = 1 / (1 + np.exp(k * x0))
    # 原始Logistic输出
    raw_y = 1 / (1 + np.exp(-k * (x - x0)))
    # 归一化：让x→0时y→0，x→∞时y→1
    normalized_y = (raw_y - y_at_0) / (1 - y_at_0)
    # 强制x≤0时返回0（符合仅接受正输入的要求）
    normalized_y = np.where(x <= 0, 0, normalized_y)
    return normalized_y

2. 拟合拐点参数

from scipy.optimize import curve_fit

# 你的指定拐点A、B
xdata = np.array([0.22, 1.34])
ydata = np.array([0.1, 0.9])

# 参数初始猜测：k控制曲线陡峭度，x0控制曲线中心位置
p0 = [2, np.median(xdata)]

# 拟合时设置参数边界：k≥0（保证函数递增），x0≥0（避免曲线左偏）
popt, pcov = curve_fit(fixed_boundary_sigmoid, xdata, ydata, p0=p0, 
                       bounds=([0, 0], [np.inf, np.inf]), method='dogbox')

k_opt, x0_opt = popt
print(f"拟合参数：k={k_opt:.4f}, x0={x0_opt:.4f}")

3. 绘制验证曲线

import matplotlib.pyplot as plt

x = np.linspace(0, 5, 1000)
y = fixed_boundary_sigmoid(x, k_opt, x0_opt)

plt.figure(figsize=(8,6))
plt.plot(xdata, ydata, 'ro', markersize=8, label='指定拐点A/B')
plt.plot(x, y, 'b-', linewidth=2, label='自定义Sigmoid曲线')
plt.ylim(-0.05, 1.05)
plt.xlim(-0.1, 5.1)
plt.xlabel('输入x')
plt.ylabel('输出y')
plt.legend(loc='best')
plt.grid(alpha=0.3)
plt.show()

效果说明 #

• 该函数天然满足x→0时y→0，x→∞时y→1的边界条件，解决了原曲线在x接近0时的过渡生硬问题
• 拟合过程仅调整k（曲线陡峭度）和x0（曲线中心）两个参数，确保严格经过你指定的拐点A、B
• 函数保持标准S形曲线的平滑特性，且对正输入以外的情况做了边界处理

内容的提问来源于stack exchange，提问作者cercio