建站
咨詢
售后
建站咨詢
新聞中心
如何利用python實(shí)現(xiàn)多元ARIMAX建模？
可以在Python中將其實(shí)現(xiàn)為一個(gè)新的獨(dú)立函數(shù)，名為evaluate_arima_model（），它將時(shí)間序列數(shù)據(jù)集作為輸入，以及具有p，d和q參數(shù)的元組作為輸入。
創(chuàng)新互聯(lián)主營(yíng)阜寧網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營(yíng)網(wǎng)站建設(shè)方案,App定制開發(fā),阜寧h5微信小程序開發(fā)搭建,阜寧網(wǎng)站營(yíng)銷推廣歡迎阜寧等地區(qū)企業(yè)咨詢
數(shù)據(jù)集分為兩部分：初始訓(xùn)練數(shù)據(jù)集為66％，測(cè)試數(shù)據(jù)集為剩余的34％。
python中scipy包中的optimize里面的函數(shù)具體怎么用
from scipy.optimize import fmin
def myfunc(x):
return x**2-4*x+8
print fmin(myfunc, 0)
def myfunc(p):
x, y = p
return x**2+y**2+8
print fmin(myfunc, (1, 1))
復(fù)制代碼
fmin的第一個(gè)參數(shù)是一個(gè)函數(shù)，這個(gè)函數(shù)的參數(shù)是一個(gè)數(shù)組，數(shù)組中每個(gè)元素是一個(gè)變量，因此對(duì)于多元函數(shù)，需要在myfunc內(nèi)部將數(shù)組的內(nèi)容展開。
Python怎么做最優(yōu)化
一、概觀scipy中的optimize子包中提供了常用的最優(yōu)化算法函數(shù)實(shí)現(xiàn)。我們可以直接調(diào)用這些函數(shù)完成我們的優(yōu)化問題。optimize中函數(shù)最典型的特點(diǎn)就是能夠從函數(shù)名稱上看出是使用了什么算法。下面optimize包中函數(shù)的概覽：1.非線性最優(yōu)化fmin -- 簡(jiǎn)單Nelder-Mead算法fmin_powell -- 改進(jìn)型Powell法fmin_bfgs -- 擬Newton法fmin_cg -- 非線性共軛梯度法fmin_ncg -- 線性搜索Newton共軛梯度法leastsq -- 最小二乘2.有約束的多元函數(shù)問題fmin_l_bfgs_b ---使用L-BFGS-B算法fmin_tnc ---梯度信息fmin_cobyla ---線性逼近fmin_slsqp ---序列最小二乘法nnls ---解|| Ax - b ||_2 for x=03.全局優(yōu)化anneal ---模擬退火算法brute --強(qiáng)力法4.標(biāo)量函數(shù)fminboundbrentgoldenbracket5.擬合curve_fit-- 使用非線性最小二乘法擬合6.標(biāo)量函數(shù)求根brentq ---classic Brent (1973)brenth ---A variation on the classic Brent（1980）ridder ---Ridder是提出這個(gè)算法的人名bisect ---二分法newton ---牛頓法fixed_point7.多維函數(shù)求根fsolve ---通用broyden1 ---Broyden’s first Jacobian approximation.broyden2 ---Broyden’s second Jacobian approximationnewton_krylov ---Krylov approximation for inverse Jacobiananderson ---extended Anderson mixingexcitingmixing ---tuned diagonal Jacobian approximationlinearmixing ---scalar Jacobian approximationdiagbroyden ---diagonal Broyden Jacobian approximation8.實(shí)用函數(shù)line_search ---找到滿足強(qiáng)Wolfe的alpha值check_grad ---通過和前向有限差分逼近比較檢查梯度函數(shù)的正確性二、實(shí)戰(zhàn)非線性最優(yōu)化fmin完整的調(diào)用形式是：fmin(func, x0, args=(), xtol=0.0001, ftol=0.0001, maxiter=None, maxfun=None, full_output=0, disp=1, retall=0, callback=None)不過我們最常使用的就是前兩個(gè)參數(shù)。一個(gè)描述優(yōu)化問題的函數(shù)以及初值。后面的那些參數(shù)我們也很容易理解。如果您能用到，請(qǐng)自己研究。下面研究一個(gè)最簡(jiǎn)單的問題，來感受這個(gè)函數(shù)的使用方法：f(x)=x**2-4*x+8，我們知道，這個(gè)函數(shù)的最小值是4，在x=2的時(shí)候取到。from scipy.optimize import fmin #引入優(yōu)化包def myfunc(x):return x**2-4*x+8 #定義函數(shù)x0 = [1.3] #猜一個(gè)初值xopt = fmin(myfunc, x0) #求解print xopt #打印結(jié)果運(yùn)行之后，給出的結(jié)果是：Optimization terminated successfully.Current function value: 4.000000Iterations: 16Function evaluations: 32[ 2.00001953]程序準(zhǔn)確的計(jì)算得出了最小值，不過最小值點(diǎn)并不是嚴(yán)格的2，這應(yīng)該是由二進(jìn)制機(jī)器編碼誤差造成的。除了fmin_ncg必須提供梯度信息外，其他幾個(gè)函數(shù)的調(diào)用大同小異，完全類似。我們不妨做一個(gè)對(duì)比：from scipy.optimize import fmin,fmin_powell,fmin_bfgs,fmin_cgdef myfunc(x):return x**2-4*x+8x0 = [1.3]xopt1 = fmin(myfunc, x0)print xopt1printxopt2 = fmin_powell(myfunc, x0)print xopt2printxopt3 = fmin_bfgs(myfunc, x0)print xopt3printxopt4 = fmin_cg(myfunc,x0)print xopt4給出的結(jié)果是：Optimization terminated successfully.Current function value: 4.000000Iterations: 16Function evaluations: 32[ 2.00001953]Optimization terminated successfully.Current function value: 4.000000Iterations: 2Function evaluations: 531.99999999997Optimization terminated successfully.Current function value: 4.000000Iterations: 2Function evaluations: 12Gradient evaluations: 4[ 2.00000001]Optimization terminated successfully.Current function value: 4.000000Iterations: 2Function evaluations: 15Gradient evaluations: 5[ 2.]我們可以根據(jù)給出的消息直觀的判斷算法的執(zhí)行情況。每一種算法數(shù)學(xué)上的問題，請(qǐng)自己看書學(xué)習(xí)。個(gè)人感覺，如果不是純研究數(shù)學(xué)的工作，沒必要搞清楚那些推導(dǎo)以及定理云云。不過，必須了解每一種算法的優(yōu)劣以及能力所及。在使用的時(shí)候，不妨多種算法都使用一下，看看效果分別如何，同時(shí)，還可以互相印證算法失效的問題。在from scipy.optimize import fmin之后，就可以使用help(fmin)來查看fmin的幫助信息了。幫助信息中沒有例子，但是給出了每一個(gè)參數(shù)的含義說明，這是調(diào)用函數(shù)時(shí)候的最有價(jià)值參考。有源碼研究癖好的，或者當(dāng)你需要改進(jìn)這些已經(jīng)實(shí)現(xiàn)的算法的時(shí)候，可能需要查看optimize中的每種算法的源代碼。在這里：https:/ / github. com/scipy/scipy/blob/master/scipy/optimize/optimize.py聰明的你肯定發(fā)現(xiàn)了，順著這個(gè)鏈接往上一級(jí)、再往上一級(jí)，你會(huì)找到scipy的幾乎所有源碼！
網(wǎng)站題目：多元函數(shù)python,多元函數(shù)求極值
文章出自：http://www.ef60e0e.cn/article/hoppis.html
