Python scipy未进行优化并返回“;由于精度损失,不一定达到预期误差”;
下面的代码试图最小化对数似然函数Python scipy未进行优化并返回“;由于精度损失,不一定达到预期误差”;,python,math,optimization,scipy,Python,Math,Optimization,Scipy,下面的代码试图最小化对数似然函数 #!/usr/bin/python import math import random import numpy as np from scipy.optimize import minimize def loglikelihood(params, data): (mu, alpha, beta) = params tlist = np.array(data) r = np.zeros(len(tlist)) for i in
#!/usr/bin/python
import math
import random
import numpy as np
from scipy.optimize import minimize
def loglikelihood(params, data):
(mu, alpha, beta) = params
tlist = np.array(data)
r = np.zeros(len(tlist))
for i in xrange(1,len(tlist)):
r[i] = math.exp(-beta*(tlist[i]-tlist[i-1]))*(1+r[i-1])
loglik = -tlist[-1]*mu
loglik = loglik+alpha/beta*sum(np.exp(-beta*(tlist[-1]-tlist))-1)
loglik = loglik+np.sum(np.log(mu+alpha*r))
return -loglik
atimes = [ 148.98894201, 149.70253172, 151.13717804, 160.35968355,
160.98322609, 161.21331798, 163.60755544, 163.68994973,
164.26131871, 228.79436067]
a= 0.01
alpha = 0.5
beta = 0.6
print loglikelihood((a, alpha, beta), atimes)
res = minimize(loglikelihood, (0.01, 0.1,0.1), method = 'BFGS',args = (atimes,))
print res
它给了我
28.3136498357
./test.py:17: RuntimeWarning: invalid value encountered in log
loglik = loglik+np.sum(np.log(mu+alpha*r))
status: 2
success: False
njev: 14
nfev: 72
hess_inv: array([[1, 0, 0],
[0, 1, 0],
[0, 0, 1]])
fun: 32.131359359964378
x: array([ 0.01, 0.1 , 0.1 ])
message: 'Desired error not necessarily achieved due to precision loss.'
jac: array([ -2.8051672 , 13.06962156, -48.97879982])
请注意,它根本无法优化参数,最小值32大于28,这是使用a=0.01、alpha=0.5、beta=0.6得到的结果。通过选择更好的初始猜测可能可以避免这个问题,但如果是这样,我如何能够自动做到这一点?我复制了您的示例并尝试了一点。看起来如果您坚持使用BFGS解算器,经过几次迭代,
mu+alpha*r
将有一些负数,这就是您获得RuntimeWarning的原因
我能想到的最简单的解决方法是切换到Nelder Mead solver
res = minimize(loglikelihood, (0.01, 0.1,0.1), method = 'Nelder-Mead',args = (atimes,))
它会给你这个结果:
28.3136498357
status: 0
nfev: 159
success: True
fun: 27.982451280648817
x: array([ 0.01410906, 0.68346023, 0.90837568])
message: 'Optimization terminated successfully.'
nit: 92
注意log()函数的负值,解决它们并通过添加惩罚告诉优化器它们是错误的:
#!/usr/bin/python
import math
import random
import numpy as np
from scipy.optimize import minimize
def loglikelihood(params, data):
(mu, alpha, beta) = params
tlist = np.array(data)
r = np.zeros(len(tlist))
for i in xrange(1,len(tlist)):
r[i] = math.exp(-beta*(tlist[i]-tlist[i-1]))*(1+r[i-1])
loglik = -tlist[-1]*mu
loglik += alpha/beta*sum(np.exp(-beta*(tlist[-1]-tlist))-1)
argument = mu + alpha * r
limit = 1e-6
if np.min(argument) < limit:
# add a penalty for too small argument of log
loglik += np.sum(np.minimum(0.0, argument - limit)) / limit
# keep argument of log above the limit
argument = np.maximum(argument, limit)
loglik += np.sum(np.log(argument))
return -loglik
atimes = [ 148.98894201, 149.70253172, 151.13717804, 160.35968355,
160.98322609, 161.21331798, 163.60755544, 163.68994973,
164.26131871, 228.79436067]
a= 0.01
alpha = 0.5
beta = 0.6
print loglikelihood((a, alpha, beta), atimes)
res = minimize(loglikelihood, (0.01, 0.1,0.1), method = 'BFGS',args = (atimes,))
print res
#/usr/bin/python
输入数学
随机输入
将numpy作为np导入
从scipy.optimize导入最小化
def日志可能性(参数、数据):
(μ,α,β)=参数
tlist=np.array(数据)
r=np.零(len(tlist))
对于x范围内的i(1,len(tlist)):
r[i]=math.exp(-beta*(tlist[i]-tlist[i-1])*(1+r[i-1])
loglik=-tlist[-1]*mu
loglik+=alpha/beta*和(np.exp(-beta*(tlist[-1]-tlist))-1)
参数=mu+alpha*r
极限=1e-6
如果np.min(参数)<限制:
#为log参数太小添加惩罚
loglik+=np.sum(np.minimum(0.0,参数限制))/limit
#保持log的参数高于限制
参数=np.最大值(参数,极限)
loglik+=np.sum(np.log(参数))
返回-loglik
时间=[148.988942011949.70253172151.13717804160.35968355,
160.98322609, 161.21331798, 163.60755544, 163.68994973,
164.26131871, 228.79436067]
a=0.01
α=0.5
β=0.6
打印日志可能性((a、alpha、beta)、时间)
res=最小化(对数似然,(0.01,0.1,0.1),方法='BFGS',参数=(时间,)
打印资源
面对同样的警告,我通过重写log likelion函数来解决它,将log(params)
和log(data)
作为参数,而不是参数和数据
因此,如果可能的话,我避免在似然函数或雅可比矩阵中使用np.log() 另一个解决方案(对我有效)是将函数(和渐变)缩放到接近0的值。例如,当我必须评估60k点的对数可能性时,我的问题出现了。这意味着我的对数可能性是一个非常大的数字。从概念上讲,对数似然是一个非常尖峰的函数
梯度开始时很大(为了爬上这座尖峰山),然后变得中等小,但决不能小于BGFS例程中的默认gtol
参数(这是所有梯度在终止时必须低于的阈值)。而且,在这个时候,我基本上得到了正确的值(我使用生成的数据,所以我知道了真实的值)
发生的事情是,我的梯度大约为60k*平均个体梯度值
,即使平均个体梯度值
很小,比如说小于1e-8,60k*1e-8>gtol
。因此,即使我已经找到了解决方案,我也从未达到阈值
从概念上讲,由于这座尖峰山的存在,该算法进行了小步运算,但跨过了真正的最小值,从未达到平均个体梯度。我认为您希望最大化LL,而不是最小化它。如果你在最小化平方和,你就是在最大化LL。@MikeDunlavey是的。请注意,该函数返回处理此问题的-loglik
。@felix只是一句话-我曾经遇到过一个与您的问题症状相同的问题,但原因完全不同。原来我的梯度函数中有一个bug,所以当我通过jac
参数在例程中传递它时,例程无法工作。错误是隐晦的,只有在重新检查我的代码后,我才发现了错误。也就是说,下面使用Nelder Mead
的答案确实很有帮助,因为它可以在没有梯度的情况下进行优化,并为我提供了正确的答案,帮助我意识到问题在于梯度函数中的缺陷。有人能解释一下警告所指的精度损失是什么吗?我发现它非常模糊,似乎这里有一个答案,实际上,对于参数值具有完全不同的尺度的情况来说,这听起来是一个非常好的主意,就像我的情况一样。谢谢谢谢分享你解决这个问题的方法。然而,我仍然在想,为什么不重新缩放它就不能收敛?如果我理解正确,您的解决方案就相当于扩展gtol。为什么即使有真正的对数可能性,它也不能达到要求的精度?谢谢!为什么/何时内尔德·米德会是比BGFS更好的选择?