时间戳

首页 > 解决方案 > 在python中寻求优化建议

python - 在python中寻求优化建议

问题描述

我在 python 中的优化逻辑有问题。我有创建优化功能。逻辑是我需要更改 2 个参数，它们是monthly_cci和rho。monthly_cci随机 numpy 数组包含 40 个值，并且rho是一个必须为正的单个值（也是随机的）。

我需要这两个参数来适应公式来找到fitted_upper. 我循环了 40 个循环，得到 40 个fitted_upper组合为单个数组，称为monthly_fitted. 然后我monthly_fitted用另一个公式转换得到fitted_matrix. 我将fitted_matrix定义误差函数，即error_matrix.

我需要通过更改and来最小化error_matrix尽可能低的方差。我试图编写如下代码，但它不起作用。对这个案子有什么建议吗？monthly_ccirho

谢谢！

from scipy.optimize import minimize   

def cci(monthly_cci, rho):
    monthly_cci = np.random.randn(40)
    rho = np.random.rand(1)

    monthly_fitted = []

    for i in range(0, len(monthly_cci)):
        fitted_upper = (upper_array - (np.sqrt(rho) * monthly_cci[i])) / np.sqrt(1 - rho)
        monthly_fitted.append(fitted_upper)

    monthly_fitted = np.vstack(monthly_fitted)

    #Fitted matrix

    m_0 = 1 - norm.cdf(monthly_fitted[0:, 1])
    m_1 = norm.cdf(monthly_fitted[0:, 1]) - norm.cdf(monthly_fitted[0:, 2])
    m_2 = norm.cdf(monthly_fitted[0:, 2]) - norm.cdf(monthly_fitted[0:, 3])
    m_3 = norm.cdf(monthly_fitted[0:, 3]) - norm.cdf(monthly_fitted[0:, 4])
    m_4 = norm.cdf(monthly_fitted[0:, 4])

    fitted_matrix = np.stack((m_0, m_1, m_2, m_3, m_4), axis = 1)
    fitted_matrix = fitted_matrix.reshape(cci['Monthkey'].max(), -1)

    error_matrix = n_array * ((monthly_array - fitted_matrix) ** 2) / (fitted_matrix * (1 - fitted_matrix))

    return np.var(error_matrix)

res = minimize(cci, x0 = [monthly_cci, rho], method='Nelder-Mead')

我收到错误消息

ValueError: setting an array element with a sequence.

标签： pythonpython-3.xoptimizationscipysolver

解决方案

代码还有其他问题我无法解决，因为我没有您的设置，但我可以帮助您解决一些错误。首先，在您的最小化函数cci中，输入参数会立即被覆盖，这对最小化不起作用，因此我们将其删除。其次，minimize将最小化标量参数。我假设monthly_cci您已经加载了一些数据，所以我们将其传递args给minimize. 我已编辑您的代码以包含以下修复：

from scipy.optimize import minimize   
from scipy.stats import norm
import numpy as np

def cci(rho, monthly_cci):
    # we are minimising rho, so that is first argument
    # we pass through monthly_cci to args of minimise below
    
    # removed random variable creation
    upper_array = np.random.randn(40)

    monthly_fitted = []

    for i in range(0, len(monthly_cci)):
        fitted_upper = (upper_array - (np.sqrt(rho) * monthly_cci[i])) / np.sqrt(1 - rho)
        monthly_fitted.append(fitted_upper)

    monthly_fitted = np.vstack(monthly_fitted)

    #Fitted matrix

    m_0 = 1 - norm.cdf(monthly_fitted[0:, 1])
    m_1 = norm.cdf(monthly_fitted[0:, 1]) - norm.cdf(monthly_fitted[0:, 2])
    m_2 = norm.cdf(monthly_fitted[0:, 2]) - norm.cdf(monthly_fitted[0:, 3])
    m_3 = norm.cdf(monthly_fitted[0:, 3]) - norm.cdf(monthly_fitted[0:, 4])
    m_4 = norm.cdf(monthly_fitted[0:, 4])

    fitted_matrix = np.stack((m_0, m_1, m_2, m_3, m_4), axis = 1)
    fitted_matrix = fitted_matrix.reshape(cci['Monthkey'].max(), -1)

    error_matrix = n_array * ((monthly_array - fitted_matrix) ** 2) / (fitted_matrix * (1 - fitted_matrix))

    return np.var(error_matrix)

# use test data
monhtly_cci = np.random.randn(40)
# x0 are the parameters to be minimises
# other arguments are passed as args
res = minimize(cci, x0=[rho], method='Nelder-Mead', args=(monthly_cci,))

推荐阅读