Python 将SciPy优化应用于拟合的sci套件模型

最近我遇到了一个问题，我认为SciPy可能是一个很好的解决方案。然而，我一直无法正确地应用它。不确定我是否遗漏了什么，或者我所寻找的东西是否真的根本不可能

这是一个虚构的例子，我这样做是为了让事情更清楚，更容易形象化。我的案子要复杂得多

from sklearn.model_selection import train_test_split 
from sklearn.svm import SVR
from scipy.optimize import minimize
import numpy as np
import pandas as pd

time_studied = [12, 10, 4, 7, 6, 11, 6]
hours_slept = [8, 7, 1, 3, 8, 6, 5]
grade = [10, 9, 2, 5, 7, 8, 8.5, 6]

X = np.array([time_studied, hours_slept]).T
y = np.array([grade]).T 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)    
model = SVR(kernel='poly', C=100, gamma='auto', degree=3, epsilon=.1, coef0=1)
model.fit(X,y)

然后，我尝试对该函数应用一个优化器，以找到睡眠和学习之间的最佳平衡。由于经过测试的回归方法返回一个函数，因此我猜想可以应用SciPy最小化。但是，当我尝试应用它时，像这样的东西

bnds = [(0,12), (0,8)]
x0 = [0,0]
residual_plant = minimize(model, x0, method='SLSQP',bounds=bnds,options = {'eps': np.radians(5.0)})

我得到以下错误

TypeError: 'SVR' object is not callable

因此，显然可以直接从我的模型中调用优化器。因此，我的问题来了，如何访问适合我的数据的函数，并能够找到最佳睡眠时间+学习时间x等级（在这种情况下，很明显是预期结果）

我错过什么了吗？有可能实现我的目标吗？

试试这个：

residual_plant=minimize（lambda x:model.predict（np.array（[x]）），x0，method='SLSQP'，bounds=bnds，options={'eps'：np.radians（5.0）}）

SciPy的

minimize

的第一个参数不仅仅是

model.predict

，因为SciPy尝试将1D数组传递给其目标函数，而是

model.predict

需要2D数组

（顺便说一句，在虚拟模型的训练设置中，

y

是

X

的第二列，而

grades

列表从未使用过。我怀疑

y

应该是

np.array（[grades]）。T

。因为这不是你的真实模型，这可能并不重要。）

predict

方法的参考文档：

---

predict

方法的一个示例用法可以在这里找到：

我不知道minimize到底做了什么。但是仅仅检查文档就发现它期望一个函数被优化。这里不是一个函数，而是一个SVR类的实例。你的更正是绝对正确的。刚刚修好了。