(第一个问题,如果在某种程度上不好就会编辑。在发布之前做过研究)
我想预测x * C = y(x和y是数据集,C是矩阵),约束条件是C的行总和为1,其元素介于0和1之间。
因为它是受约束的行而不是列,我不能只使用线性回归并且必须记下错误函数。 我在Matlab中成功地做到了这一点,所以我知道它不在数据或方法中,但可能在我的代码中。
我的代码(下面)给出了这两个错误之一(取决于随机初始猜测,我假设):
More than 3*n iterations in LSQ subproblem (Exit mode 3)
Inequality constraints incompatible (Exit mode 4)
非常感谢任何帮助。我是Python新手,花了很多时间在这上面。
M1=data_2013.shape[1]
M2=data_2015.shape[1]
def error_function(C):
C=C.reshape(M1,M2)
return np.sum(np.sum((np.dot(data_2013,C)-data_2015)**2))
def between_zero_and_one(x):
x=x.reshape(x.size)
return x*(1-x)
def eq_constraint(x):
x=x.reshape(M1,M2)
return x.sum(axis=1) - 1
cons = [{'type': 'ineq', 'fun': between_zero_and_one},
{'type': 'eq', 'fun': eq_constraint}]
C0=np.random.rand(M1,M2)
result=minimize(error_function,C0, constraints=cons, options={'disp': True, 'maxiter': 10000})
答案 0 :(得分:0)
Sascha的回答帮助了我 - 问题与cvxpy
融合得很好。
代码:
M1=x_data.shape[1]
M2=y_data.shape[1]
C=cvx.Variable(x_data.shape[1],y_data.shape[1])
constraints=[0<=C, C<=1, cvx.sum_entries(C,axis=1)==1]
objective=cvx.Minimize(cvx.norm((x_data.values*C)-y_data.values))
prob=cvx.Problem(objective, constraints)
prob.solve()
C_mat=C.value
谢谢,Sascha!