Question

我正在使用scipy.minimize函数，我想让一个参数只搜索带有两位小数的选项。

def cost(parameters,input,target):
    from sklearn.metrics import mean_squared_error
    output = self.model(parameters = parameters,input = input)
    cost = mean_squared_error(target.flatten(), output.flatten())

    return cost

parameters = [1, 1] # initial parameters
res = minimize(fun=cost, x0=parameters,args=(input,target)
model_parameters = res.x

这里self.model是一个基于参数执行一些矩阵操作的函数。输入和目标是两个矩阵。该函数按我想要的方式工作，除了我想让参数[1]有一个约束。理想情况下，我只想给出一个numpy数组，比如np.arange（0,10,0.01）。这可能吗？

Answer 1

一般来说，这很难做到，因为 smoothness 是这些优化器的核心假设之一。

一些变量是离散的而一些变量不是很困难的问题，通常通过混合整数优化来解决（对于MI-线性编程很好，对于MI-convex-programming来说非常好，尽管解决方案不太好）或者全局优化（通常是无衍生的）。

根据您的任务详情，我建议分解问题：

外部循环 np.arange(0,10,0.01) - 类似修复变量
内部循环用于优化，此变量已修复
返回具有最佳目标的模型（状态=成功）

这将在N内部优化中生效，N=state-space of your to fix-var。

根据您的任务/数据，最好单调遍历修复空间（如使用np的arange）并使用迭代解i作为问题的初始点{{1 （如果猜测好的话，可能需要更少的迭代）。但这可能与此无关，请参阅下一部分。

如果你真的有2个参数，如指示，这种分解导致只有1个变量的内部问题。然后，不要使用i+1，使用minimize（更快，更健壮;不需要初始点）。

使用scipy最小化约束一个参数

1 个答案: