Question

我有3个不同指标的得分，我合并为一个权重，我想使用scipy的优化来确定合并时权重的最佳系数（而不是平等对待它们并取平均值，这就是我以前做过）。下面的代码中显示的CV函数涉及实现交叉验证和计算反应的预测（其中反应仅“喜欢”或“不喜欢”）。

weight = A*(metric1) + B*(metric2) + C*(metric3)
prediction = CV(post, reaction, weight)

我希望最大化accuracy，或最小化1 - accuracy，accuracy = accuracy_score(reaction, prediction)。我查看了scipy优化/最小化的文档，虽然我理解了一般的想法，但我不确定如何将我的想法转化为实际的代码。例如，一个混乱的领域是我想要最小化“1准确度”，但准确性由前一部分处理预测决定。任何帮助将不胜感激，一如既往，代码将是非常有用的：）

Answer 1

您似乎想要执行以下伪代码中的操作：

def loss(x, *args):
    A, B, C = x
    weight = A*metric1 + B*metric2 + C*metric3
    prediction = CV(post, reaction, weight)
    return -accuracy_score(reaction, prediction)
# equal initial weighting
x0 = [1, 1, 1]
scipy.optimize.minimize(loss, x0, args=args)

基本上，您正在最小化的损失函数应该采用您正在优化的参数（此处：权重）并返回一个标量衡量它们有多好（这里：减去准确度分数）。因此，确定依赖于参数的损耗所需的所有计算都应在损失函数内。如果计算的某些部分不依赖于权重，那么你当然可以通过在函数之外预先计算它来加速。

如何使用scipy优化自己的功能？

1 个答案: