Python 找到使函数最小化的最优向量
我试图找到一个向量,当乘以一个矩阵时,使剩余平方和最小化 我知道scipy的优化包(它有一个最小化功能)。然而,我的代码还有一个额外的约束。w的所有条目之和(参见下面的函数)必须等于1,并且w的任何条目都不能小于0是否有为我提供此服务的软件包?如果没有,我如何才能做到这一点 尝试最小化w:Python 找到使函数最小化的最优向量,python,vector,scipy,quadratic-programming,quadprog,Python,Vector,Scipy,Quadratic Programming,Quadprog,我试图找到一个向量,当乘以一个矩阵时,使剩余平方和最小化 我知道scipy的优化包(它有一个最小化功能)。然而,我的代码还有一个额外的约束。w的所有条目之和(参见下面的函数)必须等于1,并且w的任何条目都不能小于0是否有为我提供此服务的软件包?如果没有,我如何才能做到这一点 尝试最小化w: def w_rss(w,x0,x1): predictions = np.dot(x0,w) errors = x1 - predictions rss = np.dot(errors
def w_rss(w,x0,x1):
predictions = np.dot(x0,w)
errors = x1 - predictions
rss = np.dot(errors.transpose(),errors).item(0)
return rss
X0 = np.array([[3,4,5,3],
[1,2,2,4],
[6,5,3,7],
[1,0,5,2]])
X1 = np.array([[4],
[2],
[4],
[2]])
W = np.array([[.0],
[.5],
[.5],
[.0]])
print w_rss(W,X0,X1)
到目前为止,这是我在循环可能的w值方面的最佳尝试,但它不能正常工作
def get_w(x0,x1):
J = x0.shape[1]
W0 = np.matrix([[1.0/J]*J]).transpose()
rss0 = w_rss(W0,x0,x1)
loop = range(J)
for i in loop:
W1 = W0
rss1 = rss0
while rss0 == rss1:
den = len(loop)-1
W1[i][0] += 0.01
for j in loop:
if i == j:
continue
W1[j][0] -= 0.01/den
if W1[j][0] <= 0:
loop.remove(j)
rss1 = w_rss(W1,x0,x1)
if rss1 < rss0:
#print W1
W0 = W1
rss0 = rss1
print '--'
print rss0
print W0
return W0,rss0
def get_w(x0,x1):
J=x0.形状[1]
W0=np.矩阵([[1.0/J]*J]).转置()
rss0=w_rss(W0,x0,x1)
回路=范围(J)
对于循环中的i:
W1=W0
rss1=rss0
当rss0==rss1时:
den=透镜(环路)-1
W1[i][0]+=0.01
对于循环中的j:
如果i==j:
持续
W1[j][0]-=0.01/den
如果W1[j][0]则scipy中的SLSQP代码可以执行此操作。您可以与method='SLSQP
一起使用,也可以直接使用该函数。在下面,我使用fmin_slsqp
scipy解算器通常将一维数组传递给目标函数,因此为了保持一致,我将W
和X1
更改为一维数组,并将目标函数(现在称为W_rss1
)写入一维参数W
使用bounds
参数指定w
中所有元素必须介于0和1之间的条件,使用f_eqcons
参数指定总和必须为1的条件。约束函数返回np.sum(w)-1
,因此当元素之和为1时,它为0
代码如下:
import numpy as np
from scipy.optimize import fmin_slsqp
def w_rss1(w, x0, x1):
predictions = np.dot(x0, w)
errors = x1 - predictions
rss = (errors**2).sum()
return rss
def sum1constraint(w, x0, x1):
return np.sum(w) - 1
X0 = np.array([[3,4,5,3],
[1,2,2,4],
[6,5,3,7],
[1,0,5,2]])
X1 = np.array([4, 2, 4, 2])
W = np.array([.0, .5, .5, .0])
result = fmin_slsqp(w_rss1, W, f_eqcons=sum1constraint, bounds=[(0.0, 1.0)]*len(W),
args=(X0, X1), disp=False, full_output=True)
Wopt, fW, its, imode, smode = result
if imode != 0:
print("Optimization failed: " + smode)
else:
print(Wopt)
当我运行它时,输出是
[ 0.05172414 0.55172414 0.39655172 0. ]
scipy中的SLSQP代码可以做到这一点。您可以与method='SLSQP
一起使用,也可以直接使用该函数。在下面,我使用fmin_slsqp
scipy解算器通常将一维数组传递给目标函数,因此为了保持一致,我将W
和X1
更改为一维数组,并将目标函数(现在称为W_rss1
)写入一维参数W
使用bounds
参数指定w
中所有元素必须介于0和1之间的条件,使用f_eqcons
参数指定总和必须为1的条件。约束函数返回np.sum(w)-1
,因此当元素之和为1时,它为0
代码如下:
import numpy as np
from scipy.optimize import fmin_slsqp
def w_rss1(w, x0, x1):
predictions = np.dot(x0, w)
errors = x1 - predictions
rss = (errors**2).sum()
return rss
def sum1constraint(w, x0, x1):
return np.sum(w) - 1
X0 = np.array([[3,4,5,3],
[1,2,2,4],
[6,5,3,7],
[1,0,5,2]])
X1 = np.array([4, 2, 4, 2])
W = np.array([.0, .5, .5, .0])
result = fmin_slsqp(w_rss1, W, f_eqcons=sum1constraint, bounds=[(0.0, 1.0)]*len(W),
args=(X0, X1), disp=False, full_output=True)
Wopt, fW, its, imode, smode = result
if imode != 0:
print("Optimization failed: " + smode)
else:
print(Wopt)
当我运行它时,输出是
[ 0.05172414 0.55172414 0.39655172 0. ]
您可以使用任何QP(二次规划)解算器来解决这个问题。我在scipy.optimize:cons=({'type':'eq','fun':lambda x:1-sum(x)}{{NEW LINE}}bnds=tuple((0,1)for x in W){{NEW LINE}}最小化(W_rss,W1,args=(V,X0,X1),method SLSQP',bounds=bnds constraints=cons)。解决方案不正确。这是一个通用NLP解算器。它应该能处理正确的设置问题,但我建议使用真正的QP解算器。你可以使用任何QP(二次规划)解算器来解决这个问题。我在scipy.optimize:cons=({type':'eq','fun':lambda x:1-sum(x){{newline}}bnds tuple((0,1)for x in W){newline}最小化(W_rss,W1,args=(V,X0,X1),method='SLSQP',bounds=bnds,constraints=cons)。解决方案不正确。这是一个通用NLP解算器。它应该与一个正确的设置问题,但我建议使用一个真正的QP解算器。