Minimization 负对数似然最小化的参数约束

我试图拟合一个5参数（a，b，c，d，e）模型，其中一个参数受另一个参数的约束

0 e<| d|

据我所知，我目前使用的是

我只创建了

zfit.Parameters

，并设置了限制，以确保它们可以访问的范围是有效的，再说一次，假设：

d=zfit.参数（'d'，值=0.5，下限=0.3，上限=1.0，步长=0.01）

e=zfit.参数（'e'，值=0.1，下限=0.0，上限=0.3，步长=0.01）

到目前为止，它一直运作良好，但我认为这不是正确的做法

所以我的问题是，处理这种约束的正确方法是什么

---

干杯

我会谨慎使用这个极限，因为它们会阻止变量，理想情况下，它们应该远离最终值

有两种方法可以实现您的目标：

• 或者“以数学方式”作为逻辑结果施加约束，因此使用组合参数（是其他参数的函数）从另一个参数定义一个参数。如果可能，这应该是首选的方式
• 另一种选择是在可能性方面加上一个附加条款。然而，当您修改可能性时，这可能会产生影响。最小值会找到一个最小值，但这可能不是您所寻找的最小值。您可以使用SimpleConstraint，并在违反上述任何一项的可能性中添加一个惩罚项（例如

  tf.cast（tf.morer（d，1），tf.float64）*100.

  ）。也许还要确保minuit是使用use\u minuit\u grad运行的

---

嗨！我刚刚尝试了限制选项，并按照它做了，但是，我认为它已经过时了，所以我环顾四周，找到了并添加了以下代码：“def custom_constraint（）：return tf.cast（tf.morerar（d，1.），tf.float64）*100.dCon=zfit.constraint.SimpleConstraint（custom_constraint，[d]）nll.add_constraints（dCon）”我只是想检查一下这是否正确，是否有办法从loss obj获得实际的NLL？在您的pyHEP演示中，所有问题都得到了回答，非常感谢！太好了，非常感谢！我忘记提了，但是我已经更新了关于你上述观点的文档，它确实过时了