如何为4PL曲线拟合添加1/y²权重优化低值拟合效果

我用以下代码实现四参数逻辑（4PL）曲线拟合与绘图，但低数值区域的拟合效果很差。查资料说这类问题可以通过添加1/y²权重解决，但我尝试给curve_fit加sigma=1/Y_data**2后，拟合效果反而更糟。

原代码：

from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

def fourPL(x, A, B, C, D):
    return ((A-D) / (1.0 + np.power(x / C, B))) + D

X_data = np.array([700,200,44,11,3,0.7,0.2,0])
Y_data = np.array([600000,140000,30000,8000,2100,800,500,60])


popt, pcov = curve_fit(fourPL, X_data, Y_data)

fig, ax = plt.subplots()    
ax.scatter(X_data, Y_data, label='Data')
X_curve = np.linspace(min(X_data[np.nonzero(X_data)]), max(X_data), 5000)
Y_curve = fourPL(X_curve, *popt)
ax.plot(X_curve, Y_curve)

ax.set_xscale('log')
ax.set_yscale('log')

plt.show()

当前拟合效果如图：

问题原因与解决方法 #

问题出在权重的正确使用方式和4PL拟合对初始参数的敏感性上：

• curve_fit的sigma参数代表数据点的标准差，内部权重计算是1/sigma²，所以要实现1/y²权重，应该直接传sigma=Y_data，而不是1/Y_data**2。
• 4PL拟合如果不给初始参数，很容易陷入局部最优，尤其在对数坐标轴下，低数值区域的拟合会跑偏。

修改后的代码 #

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

def fourPL(x, A, B, C, D):
    return ((A - D) / (1.0 + np.power(x / C, B))) + D

X_data = np.array([700,200,44,11,3,0.7,0.2,0])
Y_data = np.array([600000,140000,30000,8000,2100,800,500,60])

# 根据4PL的物理意义设置初始参数：A是最大Y值，D是最小Y值，C是非零X的中位数，B是斜率因子
initial_guess = [max(Y_data), 1, np.median(X_data[X_data>0]), min(Y_data)]
# 使用sigma=Y_data等价于1/Y_data²权重，absolute_sigma=True确保权重不被归一化
popt, pcov = curve_fit(fourPL, X_data, Y_data, p0=initial_guess, sigma=Y_data, absolute_sigma=True)

fig, ax = plt.subplots()    
ax.scatter(X_data, Y_data, label='原始数据')
# 拟合曲线包含X=0的情况，覆盖全部数据范围
X_curve = np.linspace(0, max(X_data), 5000)
Y_curve = fourPL(X_curve, *popt)
ax.plot(X_curve, Y_curve, label='拟合曲线')

ax.set_xscale('log')
ax.set_yscale('log')
ax.legend()

plt.show()

关键修改点 #

1. 补全numpy导入：原代码遗漏import numpy as np，必须补上才能正常运行。
2. 添加初始参数p0：根据4PL曲线的特性设置初始值，引导拟合算法收敛到全局最优解，避免低数值区域拟合失效。
3. 正确设置权重：sigma=Y_data对应1/Y_data²的权重，配合absolute_sigma=True保证权重计算符合预期。
4. 扩展拟合曲线范围：把X轴范围从最小非零值扩展到0，让拟合曲线完全覆盖原始数据的X范围。

内容的提问来源于stack exchange，提问作者John Crow