如何为R中nls函数确定最优初始值？附数据集与报错问题

数据集 #

使用的数据集如下：

x <- cbind(c(1,2,3,4,5,6,7,8,9,10,11,12,13))
y <- cbind(c(0.37, 0.25, 0.23, 0.24, 0.32, 0.23, 0.24, 0.26, 0.24, 0.26, 0.27, 0.27))

df <- data.frame('x' = x, 'y' = y)

模型需求 #

需要拟合非线性模型：y = a + exp(b + c*x)

之前的尝试与问题 #

尝试直接用原数据线性回归的截距作为a的初始值，斜率作为b的初始值，同时设c的初始值与b相同，运行以下代码：

m1 <- nls(y ~ model_func1(x, a, b, c), data = df , start = list(a = -0.003033, b=0.284778, c=0.284778), trace = T)
summary(m1)

但始终报错：

Error in nls(y ~ model_func1(x, a, b, c), data = df,  : 
  singular gradient

该错误源于初始值与模型真实参数偏差过大，导致nls算法无法计算有效的梯度，无法收敛。

针对该模型的初始值确定方法 #

核心思路：变量变换转线性回归 #

对于模型y = a + exp(b + c*x)，可通过变量变换将其转化为线性形式，从而利用线性回归得到可靠的初始值：

1. 确定a的初始值：由于exp(b + c*x)始终为正，因此a必须小于所有y的取值（否则y - a可能为负，无法取对数）。观察数据集，y的最小值为0.23，因此可设a的初始值为0.2（或略小于0.23的其他值）。
2. 构造线性化变量：计算z = ln(y - a)，此时模型转化为z = b + c*x，这是标准的线性模型。
3. 线性回归求b和c的初始值：用z对x做线性回归，回归的截距即为b的初始值，斜率即为c的初始值。

具体实现代码 #

# 1. 设定a的初始值
a_start <- 0.2

# 2. 构造线性化变量z
df$z <- log(df$y - a_start)

# 3. 线性回归获取b和c的初始值
lm_fit <- lm(z ~ x, data = df)
b_start <- coef(lm_fit)[1]  # 截距项作为b的初始值
c_start <- coef(lm_fit)[2]  # 斜率项作为c的初始值

# 定义模型函数
model_func1 <- function(x, a, b, c) {
  a + exp(b + c*x)
}

# 4. 拟合nls模型
m1 <- nls(y ~ model_func1(x, a, b, c), data = df, 
          start = list(a = a_start, b = b_start, c = c_start), 
          trace = TRUE)
summary(m1)

其他可选初始值确定方法 #

• 可视化观察：绘制x与y的散点图，观察曲线的渐近趋势，猜测a的取值（比如曲线趋近的水平值），手动调整b和c使曲线大致贴合数据点，以此作为初始值。
• 网格搜索：对a、b、c设定合理的取值范围，遍历所有参数组合，计算每个组合对应的残差平方和，选择残差最小的组合作为初始值。

内容的提问来源于stack exchange，提问作者Farrelyto Theodorus