Python中拟合Logistic函数却得到直线的问题求助

核心原因有两个： #

1. 数据和Logistic函数的特征不匹配 #

Logistic函数是单调递增/递减的S型曲线，最终会趋近两个固定的饱和值，但你的y值是104→103→95→79→83，呈现先降后小幅回升的非单调趋势，完全不符合Logistic的形态，强行拟合自然得不到预期的S型结果。

2. 默认初始参数导致拟合陷入局部最优 #

curve_fit默认所有参数初始值为1，这个初始状态离Logistic函数的合理参数范围太远，容易让拟合过程收敛到局部最优解。比如当参数c被拟合到接近0时，np.exp(-c*(x-d))趋近于1，函数就变成a/(1+1)+b，也就是一条水平直线；如果c极小，函数变化极慢，看起来也近似直线。

解决办法 #

• 换用更匹配的函数：如果数据是先降后升，优先考虑二次函数（y = ax² + bx + c）这类非单调曲线模型，更贴合数据趋势。

• 手动指定初始参数（非要用Logistic的话）：根据数据范围给参数一个合理的初始值，引导拟合找到正确方向：

  • a：曲线振幅（y的最大值减最小值），你的y范围是79-104，设为25左右；
  • b：曲线下限值，设为79左右；
  • c：控制曲线陡峭程度，设为0.01这类小非零值；
  • d：曲线拐点对应的x值，你的x中点是573，设为573。

  修改后的代码示例：

  import numpy as np
  from scipy import optimize as opt
  import matplotlib.pyplot as plt
  
  x = [473,523,573,623,673]
  y = [104,103,95,79,83]
  
  x = np.array(x)
  y = np.array(y)
  
  def f(x,a,b,c,d):
      return a/(1+np.exp(-c*(x-d))) + b
  
  # 手动设置初始参数
  initial_guess = [25, 79, 0.01, 573]
  popt, pcov = opt.curve_fit(f, x, y, method="trf", p0=initial_guess)
  y_fit = f(x,*popt)
  plt.plot(x,y,'o')
  plt.plot(x,y_fit,'-')
  plt.show()
  

  注意：即使这样，因为数据本身不是S型，拟合结果也不会完美贴合数据，只是不会输出直线。

内容的提问来源于stack exchange，提问作者Krishh