Python lmfit - 线性回归中的截距估计如何取决于起始值？

Question

我试图弄清楚使用lmfit 包的截距估计如何产生不同的结果，具体取决于起始值。我使用statsmodels 将估计结果与标准OLS 估计的结果进行比较。 有人可以帮忙吗？

代码：

from lmfit import minimize, Parameters
import numpy as np
import statsmodels.api as sm

x = np.linspace(0, 15, 10)
x_ols = sm.add_constant(x)
y = range(0,10)

model = sm.OLS(y,x_ols)
results = model.fit()
print "OLS: ", format(results.params[0], '.10f'), format(results.params[1], '.10f')


# define objective function: returns the array to be minimized
def fcn2min(params, x, data):
    a = params['a'].value
    b = params['b'].value

    model = a + b * x
    return model - data

for i in range(-2,3):
    # create a set of Parameters
    params = Parameters()
    params.add('a', value= i)
    params.add('b', value= 20)

    # do fit, here with leastsq model
    result = minimize(fcn2min, params, args=(x, y))
    # print "lmfit: ",result.values # older usage
    print "lmfit: ",result.params.values # newer syntax 

Answer 1

如果您查看结果，您会发现常数接近于 scipy.optimize.leastsq 的默认容差的零。

OLS:  -0.0000000000 0.6000000000
lmfit:  {'a': 1.1967327242889913e-08, 'b': 0.59999999932429748}
lmfit:  {'a': 3.2643846243929039e-08, 'b': 0.59999999717671448}
lmfit:  {'a': 3.2644232427278463e-08, 'b': 0.59999999717679642}
lmfit:  {'a': 1.636450187584131e-08, 'b': 0.59999999900662315}
lmfit:  {'a': 3.3578611617157454e-08, 'b': 0.59999999693286854}

如果我使所需的公差更严格，那么常数的估计值更接近于零，并且两个估计的系数都更接近 OLS 解。

将xtol 添加到您的代码后

result = minimize(fcn2min, params, args=(x, y), xtol=1e-12)

我明白了：

OLS:  -0.0000000000 0.6000000000
lmfit:  {'a': -3.5437341988915725e-32, 'b': 0.59999999999999998}
lmfit:  {'a': -1.8490806236697864e-32, 'b': 0.59999999999999998}
lmfit:  {'a': -9.8614500814838325e-32, 'b': 0.59999999999999998}
lmfit:  {'a': 8.328833474508222e-09, 'b': 0.59999999921839664}
lmfit:  {'a': -5.8547746020524404e-32, 'b': 0.59999999999999998}

OLS 使用线性代数来获得显式解（基于广义逆，pinv）。因此数值精度很高。

非线性优化使用迭代解决方案，并在其处于所需公差范围内时停止。

示例中仍有一种情况仅在 8e-9 处正确，但这也可能是因为梯度的数值近似以及其他影响收敛检查的因素。