自启动模型是否有一个函数来估计 R 中高斯模型的参数？答案

【问题标题】：Is there a function for a self start model to estimate the parameter of a Gaussian model in R?自启动模型是否有一个函数来估计 R 中高斯模型的参数？
【发布时间】：2020-08-30 15:52:12
【问题描述】：

我需要估计一个高斯模型的参数。我喜欢使用自启动来选择参数。我已经使用具有不同数据集的逻辑模型做了类似的事情。我想知道SSlogis是否有类似的高斯函数

x <- runif(20)
y <- rexp(20)
a <- data.frame(x,y)

log_model <- nls(y~SSlogis(x, phi1, phi2, phi3), data = a)

我想要的是做类似的方法，但使用高斯模型。对于高斯分布，我没有找到类似于 SSlogis 的函数。 R 文档说有一个SSgauss 函数但我没有找到它https://www.rdocumentation.org/packages/xcms/versions/1.48.0/topics/SSgauss 我在 python3 代码中看到了类似于我想要的东西。

def gaussian_f(x,a,b,c):
   y = a * np.exp(-0.5 * ((x-b)/c)**2)
   return y
##optimize from scipy
gaussian_m, cov = optimize.curve_fit(gaussian_f, x=np.arrange(len(a["y"])), y=dtf["y"].values, maxfev=10000, p0=[1,np.mean(a["y"]) ,1]

【问题讨论】：

您在找到SSgauss 时遇到了什么问题？你需要install.packages("BiocManager"); BiocManager::install("xcms"); library(xcms)

标签： python r gaussian

【解决方案1】：

R 是开源的，Bioconductor 发布包xcms 下

许可：GPL (>= 2)

所以只要用户遵守许可条款，SSgauss函数的源代码就可以下载使用。

这里是文件xcms/R/models.R中的函数的源代码。

SSgauss <- selfStart(~ h*exp(-(x-mu)^2/(2*sigma^2)), function(mCall, data, LHS) {
  
  xy <- sortedXyData(mCall[["x"]], LHS, data)
  
  len <- dim(xy)[1]
  xyarea <- sum((xy[2:len,2]+xy[1:(len-1),2])*(xy[2:len,1]-xy[1:(len-1),1]))/2
  maxpos <- which.max(xy[,2])
  
  mu <- xy[maxpos,1]
  h <- xy[maxpos,2]
  sigma <- xyarea/(h*sqrt(2*pi))
  
  value <- c(mu, sigma, h)
  names(value) <- mCall[c("mu", "sigma", "h")]
  value
  
}, c("mu", "sigma", "h"))

现在将高斯模型拟合到问题中的数据集。

x <- runif(20)
y <- rexp(20)
a <- data.frame(x, y)

gauss_model <- nls(y ~ SSgauss(x, mu, sigma, h), data = a)
summary(gauss_model)
#
#Formula: y ~ SSgauss(x, mu, sigma, h)
#
#Parameters:
#      Estimate Std. Error t value Pr(>|t|)    
#mu      0.5844     0.0989   5.909 1.72e-05 ***
#sigma   0.3540     0.1436   2.465  0.02463 *  
#h       1.2453     0.3364   3.702  0.00177 ** 
#---
#Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
#Residual standard error: 0.7832 on 17 degrees of freedom
#
#Number of iterations to convergence: 9 
#Achieved convergence tolerance: 2.897e-06

【讨论】：