Python 3.x 使用Scipy.optimize最小化SSE

我试图使用

scipy.optimize

优化函数的SSE（平方误差之和）。为了测试，我创建了一个简单的问题，如下代码所示。 但scipy输出的优化参数从未使SSE=0。有人能帮我理解，我哪里做错了

我试图用我的代码计算的SSE和excel计算的SSE进行交叉检查。它匹配。然后我使用最小化函数最小化SSE函数，Scipy计算的函数与手工计算的函数不匹配。我使用的函数的形式是（y=ax+b）。下面是代码

import numpy as np
from scipy.optimize import minimize


e=np.array([0,2])
sig1=np.array([0,200])
k = [10,10]
#n = 0.2
coe=np.array([k[0],k[1]])

def sig2(e):
    v=(k[0]*e)+ k[1]
    SEzip = zip(sig1, v)
    sse = 0
    for y in SEzip:
        sse += np.power((y[0] - y[1]),2)
    return sse

print (sig2(e))
def f(coe):
   print(coe)
   return f
result = minimize(sig2,coe,method='Nelder-Mead',callback=(f),options={'xtol': 1e-6,'ftol':1e-06,'maxiter':50000,'disp': True,'adaptive' : True})

print(result)

---

在这里，您正在打印您的

x0

aka

coe

，我编辑了您的代码并将目标函数

sig2（）

缩短为一行，然后编辑了回调以显示测试的变量及其等效目标函数值。现在您可以清楚地看到已达到

sse=0

将numpy导入为np
从scipy.optimize导入最小化
#更漂亮的裸体印花
np.设置打印选项（精度=6）
#初始化
e=np.数组（[0,2]）
sig1=np.数组（[0200]）
k=[10,10]
coe=np.array（[k[0]，k[1]]）
#定义目标函数
def sig2（e）：
zip中y的返回和（[np.幂（（y[0]-y[1]），2）（sig1，（k[0]*e）+k[1]））
#定义回调
def f（e）：
打印（“e:%25s | sig2（e）：%5s”%（e，圆形（sig2（e），6）））
#优化
结果=最小化（sig2，
科，
方法='Nelder-Mead'，
回调=f，
选项={'xtol'：1e-6，'ftol'：1e-06，
'maxiter'：50000，'disp'：True，'adaptive'：True}）
打印（结果）

输出：

...
e:     [-1.000053 18.999751] | sig2(e): 6e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-0.999934 18.999981] | sig2(e):   0.0
e:     [-1.000049 18.999979] | sig2(e):   0.0
e:     [-1.000027 19.000044] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-1.000009 18.999993] | sig2(e):   0.0
e:     [-1.000009 18.999993] | sig2(e):   0.0
e:     [-0.999995 19.      ] | sig2(e):   0.0
e:     [-0.999995 19.      ] | sig2(e):   0.0
e:     [-1.000003 18.999998] | sig2(e):   0.0
e:     [-1.       19.000002] | sig2(e):   0.0
e:     [-0.999998 19.      ] | sig2(e):   0.0
e:     [-1.000001 18.999999] | sig2(e):   0.0
e:     [-1.       19.000001] | sig2(e):   0.0
e:     [-0.999999 19.      ] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
Optimization terminated successfully.
         Current function value: 0.000000
         Iterations: 56
         Function evaluations: 110
 final_simplex: (array([[-1., 19.],
       [-1., 19.],
       [-1., 19.]]), array([6.221143e-12, 1.914559e-11, 1.946860e-11]))
           fun: 6.2211434216849394e-12
       message: 'Optimization terminated successfully.'
          nfev: 110
           nit: 56
        status: 0
       success: True
             x: array([-1., 19.])

---

在这里，您正在打印您的

x0

aka

coe

，我编辑了您的代码并将目标函数

sig2（）

缩短为一行，然后编辑了回调以显示测试的变量及其等效目标函数值。现在您可以清楚地看到已达到

sse=0

将numpy导入为np
从scipy.optimize导入最小化
#更漂亮的裸体印花
np.设置打印选项（精度=6）
#初始化
e=np.数组（[0,2]）
sig1=np.数组（[0200]）
k=[10,10]
coe=np.array（[k[0]，k[1]]）
#定义目标函数
def sig2（e）：
zip中y的返回和（[np.幂（（y[0]-y[1]），2）（sig1，（k[0]*e）+k[1]））
#定义回调
def f（e）：
打印（“e:%25s | sig2（e）：%5s”%（e，圆形（sig2（e），6）））
#优化
结果=最小化（sig2，
科，
方法='Nelder-Mead'，
回调=f，
选项={'xtol'：1e-6，'ftol'：1e-06，
'maxiter'：50000，'disp'：True，'adaptive'：True}）
打印（结果）

输出：

...
e:     [-1.000053 18.999751] | sig2(e): 6e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-1.000062 19.000109] | sig2(e): 2e-06
e:     [-0.999934 18.999981] | sig2(e):   0.0
e:     [-1.000049 18.999979] | sig2(e):   0.0
e:     [-1.000027 19.000044] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-0.999986 18.999996] | sig2(e):   0.0
e:     [-1.000009 18.999993] | sig2(e):   0.0
e:     [-1.000009 18.999993] | sig2(e):   0.0
e:     [-0.999995 19.      ] | sig2(e):   0.0
e:     [-0.999995 19.      ] | sig2(e):   0.0
e:     [-1.000003 18.999998] | sig2(e):   0.0
e:     [-1.       19.000002] | sig2(e):   0.0
e:     [-0.999998 19.      ] | sig2(e):   0.0
e:     [-1.000001 18.999999] | sig2(e):   0.0
e:     [-1.       19.000001] | sig2(e):   0.0
e:     [-0.999999 19.      ] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
e:                 [-1. 19.] | sig2(e):   0.0
Optimization terminated successfully.
         Current function value: 0.000000
         Iterations: 56
         Function evaluations: 110
 final_simplex: (array([[-1., 19.],
       [-1., 19.],
       [-1., 19.]]), array([6.221143e-12, 1.914559e-11, 1.946860e-11]))
           fun: 6.2211434216849394e-12
       message: 'Optimization terminated successfully.'
          nfev: 110
           nit: 56
        status: 0
       success: True
             x: array([-1., 19.])

---

谢谢你的回复。但我发现预测的最佳值是不正确的。虽然Scipy输出显示sse=0，但如果我替换预测值，sse=33850。。最佳值应为（100,0）。在哪里替换这些值

sig2（np.array（[-1，19]）=0

和

sig2（np.array（[100，0]）=1056200

？是的，我正在手动替换相同的等式以交叉检查结果。我也检查了excel工作表，在这种情况下，

sig2（）

的实现与您要替换的函数不匹配。祝你好运。非常感谢你的支持。我将错误的变量传递到函数中。。sig2（e）应该是sig2（k）。现在它是完美的工作！！！谢谢你的回复。但我发现预测的最佳值是不正确的。虽然Scipy输出显示sse=0，但如果我替换预测值，sse=33850。。最佳值应为（100,0）。在哪里替换这些值

sig2（np.array（[-1，19]）=0

和

sig2（np.array（[100，0]）=1056200

？是的，我正在手动替换相同的等式以交叉检查结果。我也检查了excel工作表，在这种情况下，

sig2（）

的实现与您要替换的函数不匹配。祝你好运。非常感谢你的支持。我将错误的变量传递到函数中。。sig2（e）应该是sig2（k）。现在它是完美的工作！！！如果有人能帮我解决这个问题，那将是非常有帮助的。如果有人能帮我解决这个问题，那将是非常有帮助的。