Python 基于SciPy极小的逆Hessian估计
我正在使用SciPy的“最小化”函数最小化函数。该函数返回最佳值以及估计的雅可比矩阵和Hessian矩阵。详情如下:Python 基于SciPy极小的逆Hessian估计,python,numpy,optimization,scipy,Python,Numpy,Optimization,Scipy,我正在使用SciPy的“最小化”函数最小化函数。该函数返回最佳值以及估计的雅可比矩阵和Hessian矩阵。详情如下: fun: -675.09792378630596 hess_inv: <8x8 LbfgsInvHessProduct with dtype=float64> jac: array([ 6.34713615e-02, 1.15960574e-03, 1.63709046e-03, 2.16914486e-02, -8.02970135e-02, -4.3
fun: -675.09792378630596
hess_inv: <8x8 LbfgsInvHessProduct with dtype=float64>
jac: array([ 6.34713615e-02, 1.15960574e-03, 1.63709046e-03, 2.16914486e-02, -8.02970135e-02, -4.39513315e-02,
6.69160727e-02, -5.68434189e-05])
message: b'CONVERGENCE: REL_REDUCTION_OF_F_<=_FACTR*EPSMCH'
nfev: 684
nit: 60
status: 0
success: True
x: array([ 9.93756778e-01, 3.51823214e+00, -2.06368373e-01, 7.37395700e-04, 2.11222756e-02, 3.29367564e-02, 1.22886906e-01, -2.75434386e-01])
fun:-675.09792378630596
赫斯苏投资公司:
jac:阵列([6.34713615e-02,1.15960574e-03,1.63709046e-03,2.16914486e-02,-8.02970135e-02,-4.3951335E-02,
6.69160727e-02,-5.68434189e-05])
信息:b'收敛:从;您可以使用方法todense()以密集数组的形式获取LbfgsInvHessProduct的值
但是,请记住,LbfgsInvHessProduct仍然是一个矩阵!这是一种特殊的内存优化格式,但您仍然可以调用其他矩阵函数,如matmat()、transpose()、dot()等
<8x8 LbfgsInvHessProduct with dtype=float64>