SciPy 优化器
SciPy 中的优化器
优化器是在 SciPy 中定义的一组过程，它们要么找到函数的最小值，要么找到方程的根。
优化函数
本质上，机器学习中的所有算法都不过是一个复杂的方程，需要借助给定的数据来最小化。
方程的根
NumPy 能够为多项式和线性方程求根，但它无法为非线性方程求根，例如:
x + cos(x)
为此，您可以使用 SciPy 的 optimze.root 函数。
这个函数有两个必需的参数:
fun - 一个代表方程的函数。
x0 - 对根的初始猜测。
该函数返回一个包含解决方案信息的对象。
实际解决方案在返回对象的x属性下给出:
实例
求方程的根 x + cos(x):
from scipy.optimize import root
from math import cos
def eqn(x):
return x + cos(x)
myroot = root(eqn, 0)
print(myroot.x)
亲自试一试 »
注释:返回的对象包含有关解决方案的更多信息。
最小化函数
一个函数，在这个上下文中，代表一条曲线，曲线有高点和低点。
高点称为最大值。
低点称为最小值。
整个曲线的最高点称为全局最大值，其余的称为局部最大值。
整个曲线的最低点称为全局最小值，其余的称为局部最小值。
寻找最小值
我们可以使用scipy.optimize.minimize()函数来最小化函数。
minimize() 函数采用以下参数:
fun - 一个代表方程的函数。
x0 - 对根的初始猜测。
方法 - 要使用的方法的名称。可能的值:
'CG'
'BFGS'
'Newton-CG'
'L-BFGS-B'
'TNC'
'COBYLA'
'SLSQP'
callback - 每次优化迭代后调用的函数。
options - 定义额外参数的字典:
{
"disp": boolean - print detailed description
"gtol": number - the tolerance of the error
}
实例
用BFGS最小化函数x^2 + x + 2:
from scipy.optimize import minimize
def eqn(x):
return x**2 + x + 2
mymin = minimize(eqn, 0, method='BFGS')
print(mymin)
亲自试一试 »
