Сингулярная ошибка градиента в NLS с правильными начальными значениями

Я пытаюсь подогнать линию + экспоненциальную кривую к некоторым данным. Для начала я попытался сделать это на некоторых искусственных данных. Функция: Это фактически экспоненциальная кривая с линейным сечением, а также дополнительный параметр горизонтального сдвига ( m ). Однако, когда я использую функцию R, я получаю страшную ошибку « матрица сингулярного градиента при начальных оценках параметров », даже если я использую те же параметры, которые я использовал для генерации данных в первую очередь. Я пробовал разные алгоритмы, разные начальные значения и пытался использовать

y = a + b \cdot r^{(x - m)} + c \cdot x

$y=a+b\cdot r^{(x-m)}+c\cdot x$ nls()
optimминимизировать остаточную сумму квадратов, все безрезультатно. Я читал, что возможной причиной этого может быть чрезмерная параметризация формулы, но я не думаю, что это так (есть?)
У кого-нибудь есть предложения по этой проблеме? Или это просто неловкая модель?

Краткий пример:

#parameters used to generate the data
reala=-3
realb=5
realc=0.5
realr=0.7
realm=1
x=1:11 #x values - I have 11 timepoint data
#linear+exponential function
y=reala + realb*realr^(x-realm) + realc*x
#add a bit of noise to avoid zero-residual data
jitter_y = jitter(y,amount=0.2)
testdat=data.frame(x,jitter_y)

#try the regression with similar starting values to the the real parameters
linexp=nls(jitter_y~a+b*r^(x-m)+c*x, data=testdat, start=list(a=-3, b=5, c=0.5, r=0.7, m=1), trace=T)

Благодарность!

r nonlinear-regression nls steiny
источник

Подсказка: посмотрите на коэффициент

(для фиксированного

) и обратите внимание, что

имеет одномерное семейство решений

r^{x}

$r^x$

r

$r$

b r^{- m} = constant

$b r^{-m} = \text{constant}$

(b, m)

$(b,m)$

b = r^{m} \cdot constant

$b = r^m \cdot \text{constant}$

whuber

Это не идентифицированная модель, если

или

не ограничены каким- либо образом. Я думаю, что требование

сделало бы эту работу.

b

$b$

r

$r$

r \in (0, 1)

$r \in (0,1)$

Макро

Ответы:

Я недавно укусила это. Мои намерения были такими же, сделать какую-то искусственную модель и проверить ее. Основная причина - та, которую дали @whuber и @marco. Такая модель не опознана. Чтобы увидеть это, помните, что NLS минимизирует функцию:

\sum_{i = 1}^{n} (y_{i} - a - b r^{x_{i} - m} - c x_{i})^{2}

$\sum_{i=1}^n(y_i-a-br^{x_i-m}-cx_i)^2$

$(a,b,m,r,c)$ $(a,br^{-m},0,r,c)$

Также нетрудно понять, почему градиент является единственным. Обозначим

f (a, b, r, m, c, x) = a + b r^{x - m} + c x

$f(a,b,r,m,c,x)=a+br^{x-m}+cx$

потом

\frac{\partial f}{\partial b} = r^{x - m}

$\frac{\partial f}{\partial b}=r^{x-m}$

\frac{\partial f}{\partial m} = - b \ln r r^{x - m}

$\frac{\partial f}{\partial m}=-b\ln rr^{x-m}$

$x$

b \ln r \frac{\partial f}{\partial b} + \frac{\partial f}{\partial m} = 0.

$b\ln r\frac{\partial f}{\partial b}+\frac{\partial f}{\partial m}=0.$

Отсюда и матрица

\begin{aligned} (\begin{matrix} \nabla f (x_{1}) \\ ⋮ \\ \nabla f (x_{n}) \end{matrix}) \end{aligned}

$\begin{align} \begin{pmatrix} \nabla f(x_1)\\\\ \vdots\\\\ \nabla f(x_n) \end{pmatrix} \end{align}$

не будет иметь полный ранг, и именно поэтому nlsдаст единственное сообщение градиента.

Я потратил больше недели на поиск ошибок в моем коде в другом месте, пока не заметил, что основная ошибка была в модели :)

mpiktas
источник

Это возраст, я знаю, но просто удивляюсь, означает ли это, что nls нельзя использовать на моделях, которые не могут быть идентифицированы? Например, нейронная сеть?

Граф Ноль

большой шанс, я знаю, но вы могли бы разбить это для меньшего количества людей, помнящих кальций? :). Кроме того, каково решение проблемы ОП, тогда? Сдаться и пойти домой?

февраля 1837 г.

Решение проблемы OP состоит в том, чтобы использовать один параметр вместо двух, т. Е. Вместо

использовать

b \cdot r^{x - m}

$b\cdot r^{x-m}$

β \cdot r^{x}

$\beta \cdot r^x$

m

$m$

β

$\beta$

β = b \cdot r^{- m}

$\beta = b\cdot r^{-m}$

@CountZero, в основном да, обычные методы оптимизации потерпят неудачу, если параметры не определены. Однако нейронные сети обходят эту проблему, добавляя дополнительные ограничения и используя другие интересные приемы.

mpiktas

\frac{\partial f}{\partial m} = - b \ln r r^{x - m}

$\frac {\partial f}{\partial m} = -b \ln{r}\ r^{x-m}$

Ответы выше, конечно, правильные. Для чего стоит, в дополнение к приведенным объяснениям, если вы пытаетесь сделать это на искусственном наборе данных, согласно странице справки nls, найденной по адресу: http://stat.ethz.ch/R-manual/R-patched/ библиотека / статистика / html / nls.html

R's NLS не сможет справиться с этим. На странице справки конкретно указано:

Предупреждение

Не используйте nls на искусственных данных с нулевым остатком.

Функция nls использует критерий сходимости относительного смещения, который сравнивает числовую погрешность при текущих оценках параметров с остаточной суммой квадратов. Это хорошо работает на данных формы

y = f (x, θ) + eps

(с var (eps)> 0). Не указывает на сходимость данных формы

y = f (x, θ)

потому что критерий сводится к сравнению двух компонентов ошибки округления. Если вы хотите проверить nls на искусственных данных, добавьте компонент шума, как показано в примере ниже.

Таким образом, нет шума == не хорошо для R NLS.

B_D_Dubbya
источник

Добро пожаловать на сайт @B_D_Dubbya. Я позволил себе отформатировать ваш ответ, надеюсь, вы не против. Вы можете найти больше информации о редактировании ваших ответов на резюме здесь .

gung - Восстановить Монику

Я знаю об этой проблеме - следовательно, с помощью функции «джиттер» для добавления шума

steiny