Python 优化函数scipy.optimize

我不熟悉python和统计编程。对于类赋值，我们被要求实现python lasso L1回归。 这涉及到使用QP解算器来求解

0.5 *(x^t * H * x) + f^t * H
st x > 0 (every element of x is greater than zero)

这些是块向量和矩阵。我用二维数组表示向量，用四维数组表示矩阵H

def function(x):
    x = x.reshape(2, -1)
    return 0.5*np.tensordot(x,(np.tensordot(H,x,([1,3],[0,1]))),([0,1],[0,1])) + np.tensordot(f,x,([0,1],[0,1]))

initial_val = np.random.randn(2 * (k+1)).reshape((2,k+1))

bnds = (0,None)
theta = scipy.optimize.minimize(function, initial_val, method="SLSQP", bounds=bnds)

---

但我仍然在

theta.x

vector中得到负值。有人能告诉我哪里出了问题吗？

您需要为优化提供约束，如果您优化标量函数，就像这样：

scipy.optimize.minimize(
    function,
    initial_val,
    method="SLSQP",
    bounds=bnds,
    constraints = [{'type':'ineq', 'fun':lambda x: x}])

或对于向量函数：

constraints = [{'type':'ineq', 'fun':lambda x: x[i]} \
                   for i in range(len(initial_val))]

请注意，如果它是向量，则还需要为每个元素提供边界：

 bnds = [(0, None) for _ in range(len(initial_val))]

---

您可能还需要查看。

您需要为优化提供约束，如果您优化标量函数，则如下所示：

scipy.optimize.minimize(
    function,
    initial_val,
    method="SLSQP",
    bounds=bnds,
    constraints = [{'type':'ineq', 'fun':lambda x: x}])

或对于向量函数：

constraints = [{'type':'ineq', 'fun':lambda x: x[i]} \
                   for i in range(len(initial_val))]

请注意，如果它是向量，则还需要为每个元素提供边界：

 bnds = [(0, None) for _ in range(len(initial_val))]

---

您可能还需要查看。

您需要提供更多信息，即您所称的

函数

和

初始值

，错误可能在于这些。我认为x0（初始值）需要是向量，而不是矩阵。BND需要与初始值具有相同的长度。如果没有H、f和k的示例，很难再现错误。您需要提供更多信息，即您所称的

函数

和

初始值

，错误可能在于这些。我认为x0（初始值）需要是向量，而不是矩阵。bnds需要与初始值具有相同的长度。如果没有H、f和k的示例，很难再现您的错误。虽然我得到了我一直在寻找的结果，但经过优化后，在x向量中仍然得到负值。我使用约束=[{'type'：'ineq'，'fun'：lambda x:x[I]}表示范围内的I（len（initial））]。我不能理解why@AdaXu您是否已验证优化是否成功（

result.success

和

result.message

属性）？如果是，您得到了您想要的结果并且

x

有负面元素，这是什么意思？我认为负面因素不是你想要的结果。result.message-优化成功终止，回归曲线拟合良好。但是结果中有负值。我不知道该怎么解释this@AdaXu您能在这里粘贴带有

最小化

函数调用的行，以及

结果.x的实际值吗？或者是进垃圾桶？如果我不能马上帮上忙，我会提出另一个问题，但也许这是一件很快的事情。我想出来了。向量参数initial_val实际上是一个二维numpy数组，因为我的目标函数涉及4维块矩阵H和二维块向量。我把它们变成了普通的二维矩阵和一维向量，我得到了正确的答案。如果你可以修改你的答案为2维约束，我会标记它为正确的。谢谢你的帮助：）虽然我得到了我想要的结果，但在优化后，我仍然得到了x向量的负值。我使用约束=[{'type'：'ineq'，'fun'：lambda x:x[I]}表示范围内的I（len（initial））]。我不能理解why@AdaXu您是否已验证优化是否成功（
result.success
和
result.message
属性）？如果是，您得到了您想要的结果并且
x
有负面元素，这是什么意思？我认为负面因素不是你想要的结果。result.message-优化成功终止，回归曲线拟合良好。但是结果中有负值。我不知道该怎么解释this@AdaXu您能在这里粘贴带有
最小化
函数调用的行，以及
结果.x的实际值吗？或者是进垃圾桶？如果我不能马上帮上忙，我会提出另一个问题，但也许这是一件很快的事情。我想出来了。向量参数initial_val实际上是一个二维numpy数组，因为我的目标函数涉及4维块矩阵H和二维块向量。我把它们变成了普通的二维矩阵和一维向量，我得到了正确的答案。如果你可以修改你的答案为2维约束，我会标记它为正确的。谢谢你的帮助：）