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只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 能够找到多项式和线性方程的根，但它不能找到非线性方程的根，例如：
x + cos(x)
为此，您可以使用 SciPy 的 optimize.root 函数。
此函数采用两个必需的参数
fun - 表示方程的函数。
x0 - 根的初始猜测。
该函数返回一个包含有关解决方案的信息的对象。
实际的解在返回对象的 x 属性下给出
示例
找到方程 x + cos(x) 的根
from scipy.optimize import root
from math import cos
def eqn(x)
return x + cos(x)
myroot = root(eqn, 0)
print(myroot.x)
自己试试 »
注意：返回的对象包含更多有关解决方案的信息。
最小化函数
在此上下文中，函数表示曲线，曲线具有高点和低点。
高点称为最大值。
低点称为最小值。
整个曲线中的最高点称为全局最大值，其余的称为局部最大值。
整个曲线中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 - 表示方程的函数。
x0 - 根的初始猜测。
method - 要使用的方法的名称。合法值
'CG'
'BFGS'
'Newton-CG'
'L-BFGS-B'
'TNC'
'COBYLA'
'SLSQP'
callback - 优化每次迭代后调用的函数。
options - 定义额外参数的字典
{
"disp": 布尔值 - 打印详细描述
"gtol": 数字 - 误差的容差
}
示例
使用 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)
自己试试 »
