python - scipy.optimize.fmin_bfgs 的正确使用

Question

我正在玩 Python 中的逻辑回归。我已经实现了一个版本，其中成本函数的最小化是通过梯度下降完成的，现在我想使用 scipy 的 BFGS 算法（scipy.optimize.fmin_bfgs）。

我有一组数据（矩阵 X 中的特征，X 的每一行都有一个样本，垂直向量 y 中有相应的标签）。我正在尝试找到参数 Theta 以最小化：

我很难理解fmin_bfgs是如何工作的。据我所知，我必须传递一个要最小化的函数和一组 Thetas 的初始值。

我执行以下操作：

initial_values = numpy.zeros((len(X[0]), 1))
myargs = (X, y)
theta = scipy.optimize.fmin_bfgs(computeCost, x0=initial_values, args=myargs)

其中 computeCost 计算 J(Thetas)，如上图所示。但是我得到了一些与索引相关的错误，所以我认为我没有提供 fmin_bfgs 期望的内容。

任何人都可以对此有所了解吗？

Answer 1

在浪费了几个小时之后，通过发布的力量再次解决了......我正在定义 computeCost(X, y, Thetas)，但由于 Thetas 是优化的目标参数，它应该是签名中的第一个参数。已修复且有效！

Answer 2

我不知道你的整个代码，但你有没有试过

initial_values = numpy.zeros(len(X[0])) 

? 我认为这个 x0 应该是一维向量。