Question

我有一个loglikelihood函数，它是一个很长的客户列表，一些单独的loglikelihood函数的总和，我想使用scipy.optimize.minimize（）方法对它进行优化。

def log_likelihood_individual(r, alpha, a, b, x, tx, t):
    ln_a1 = gammaln(r + x) - gammaln(r) + r * log(alpha)
    ln_a2 = gammaln(a + b) + gammaln(b + x) - gammaln(b) - gammaln(a + b + x)
    ln_a3 = -(r + x) * log(alpha + t)
    a4 = 0
    if x > 0:
        a4 = exp(log(a) - log(b + x - 1) - (r + x) * log(alpha + tx))
    return ln_a1 + ln_a2 + log(exp(ln_a3) + a4)


def log_likelihood(r, alpha, a, b, customers):
    if r <= 0 or alpha <= 0 or a <= 0 or b <= 0:
        return -np.inf
    c = sum([log_likelihood_individual(r, alpha, a, b, x, tx, t) for x, tx, t in customers])
    return c


def maximize(customers):
    negative_ll = lambda params: -log_likelihood(*params, customers=customers)
    params0 = np.array([1., 1., 1., 1.])
    res = minimize(negative_ll, params0, method='CG')
    return res

我尝试使用scipy列表的各种算法，但每次算法都会丢失。谁能给我一个关于如何解决这类问题的一般性建议，即最小化我能够理解的功能？

Answer 1

一般性问题引发了一般性答案;）

由于初始值条件差，我的大多数尝试都失败了（即不会收敛）。问问自己：

params0 = np.array([1., 1., 1., 1.])真的是一个很好的初步猜测吗？
您是否也尝试params0 = np.array([0., 0., 0., 0.])或任何其他组合（暴力）
您是否可以创建一个示例集，您可以在其中了解参数的理想值？你有没有尝试过它？

如果以上都没有解决，问题似乎更复杂，但通过回答上述问题可以解决90％的拟合问题。

使用scipy最小化函数

1 个答案: