Question

我正在尝试使用stats.optimize.minimize函数。首先，我正在尝试一些非常简单的事情。

我定义：

lik1 = lambda n,k,p: math.log(stats.binom.pmf(k,n,p))

我试图看看最小化是否会给我正确的MLE，即k/n == p。

然后我尝试：

optimize.minimize(lik1, 0.5, args=(10,2))

我假设n == 10和k == 2，我对p的猜测（参数x0）是0.5。我收到以下错误：

      fun: nan
 hess_inv: array([[1]])
      jac: array([ nan])
  message: 'Desired error not necessarily achieved due to precision loss.'
     nfev: 3
      nit: 0
     njev: 1
   status: 2
  success: False
        x: array([ 0.5])

我做错了什么？

Answer 1

一些变化：

为此问题选择更合适的最小化方法。当没有提供约束或边界时，最小化函数默认为BFGS方法，这是一种无约束优化的方法。它失败是因为它试图评估p> p值的函数。 1.你可以提供一些合理的界限，或者我在这里发现使用TNC方法适用于这种情况。
函数参数的顺序应为（p，n，k）
您希望最大化日志，或等效地最小化日志的否定。

代码：

import scipy as sp
import scipy.stats
import scipy.optimize

lik1 = lambda p, n, k: -sp.log(sp.stats.binom.pmf(k, n, p))
res = sp.optimize.minimize(lik1, 0.5, args=(10, 2), method='TNC')
print(res)

输出：

     fun: array([ 1.19736175])
     jac: array([  1.22124533e-05])
 message: 'Converged (|f_n-f_(n-1)| ~= 0)'
    nfev: 10
     nit: 4
  status: 1
 success: True
       x: array([ 0.20000019])

试图了解如何使用scipy.optimize？

1 个答案: