【Scipy】scipy.optimize.minimize

scipy.optimize.minimize

  • 1. 参数
  • 2. 使用

1. 参数

'''
scipy.optimize.minimize
	fun 要最小化的目标函数,
		fun(x, *args)->float 参数x维度是(n, )的一维数组,args是完全指定函数所需的固定参数的元组。
	x0 fun中初始化的x,(n, )的一维数组。
	args 传递给目标函数及其导数(fun、jac和hess函数)的额外参数。
	method 所要使用的优化方法,如TNC、BFGS等
	jac 传入的是gradient方法,即计算梯度的方法
	options 有两个选项,{‘maxiter’:100}可以控制迭代次数;{‘disp’:True}可以打印一些运行细节
'''

2. 使用

from scipy.optimize import minimize

def function_to_minimize(x):
    '''
    初始传入[0.],之后调整x值。 
    x.__class__ >>> np.array 乘法是乘在每个元素上
    [x[0]].__class__ >>> list 乘法是复制添加元素([1,2]*2->[1,2,1,2])
    '''
    y_true = np.array([0, 1, 2])
    y_pred= np.array([x[0]] * len(y_true))
    metric = smape_plus_1(y_true=y_true, y_pred=y_pred)
    return metric
'''
fun 目标函数返回的最小值
  x 最优参数x
'''
minimize(fun=function_to_minimize, x0=[0])
'''
      fun: 35.55555562233004
 hess_inv: array([[0.00121215]])
      jac: array([7.1141705])
  message: 'Desired error not necessarily achieved due to precision loss.'
     nfev: 120
      nit: 2
     njev: 54
   status: 2
  success: False
        x: array([1.])
'''
minimize(fun=function_to_minimize, x0=[0]).x[0]
'''
1.
'''

你可能感兴趣的:(Python,scipy,numpy,python)