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.
'''