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:

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>