Python Scipy&x27；s fmin仅在inf上粘住，有时也会粘住

我在用Scipy's来计算分布与某些数据拟合的可能性的对数。我使用fmin搜索使对数可能性最大化的参数，如下所示：

j = fmin(lambda p:-sum(log(likelihood_calculator(data, p))), array([1.5]), full_output=True)

（似然度计算器获取数据和参数，并为每个数据点吐出一组似然值。）

如果我们开始搜索时使用的参数产生的似然值为0，则loglikelike为-inf，因此-sum为inf。fmin应远离初始参数，但它会在最大调用次数下保持该值，然后返回它：

In [268]: print j
(array([ 1.5]), inf, 67, 200, 1)

我认为这可能是fmin处理INF的一个问题，但如果我们删除可能性计算器，直接输入0，我们会得到更好的行为：

In [269]: i = fmin(lambda p: -sum(log(p)), array([0]), full_output=1)
Warning: Maximum number of function evaluations has been exceeded.

In [270]: i
Out[270]: (array([  3.16912650e+26]), -61.020668415892501, 100, 200, 1)

如果我们使用一个零数组，如果这些零是浮点数，或者如果我们使用fmin_bfgs，同样的正确行为也会发生。如果我们使用fmin_bfgs，函数调用同样的错误行为会继续，但是如果我们从一个不产生0可能性的参数（以及任何infs）开始，fmin会正确工作

想法？谢谢

更新：

如果有大量的参数导致零，我们可以将参数值推到边缘。如果参数足够靠近边缘，fmin将离开zeroland并开始搜索。

---

也许你的更新回答了这个问题。由于

fmin

使用下坡梯度算法，因此它在初始猜测的邻域中搜索最陡下降方向。如果你深入到一个参数区域，函数总是返回

inf

，那么算法就看不到该往哪个方向走。

似乎就是这样。由于数组中只有一些数据点返回0（然后将整个

sum

设置为

inf

），因此我将零设置为

sys.float\u info.min

，这对于本用例来说足够准确。这意味着整个数据点数组返回了一个连贯的、非

inf

-sum（log（likelion））

，它有一个梯度

fmin

可以搜索