3

我在 x_data 中有一个 3x2000 numpy 数组，在 y_data 中有一个 1x2000 numpy 数组，我将其传递给这个函数 regress 给我一条回归线。它工作正常。问题是我正在尝试进行一些回溯测试并测试 1000 种情况，我必须回归 1000 次，运行它大约需要 5 分钟。

我尝试标准化变量，但它似乎并没有让它更快。

我还简单地尝试了 fmin_powell 和 fmin_bfgs，这似乎打破了它。

有任何想法吗？谢谢！

def regress(x_data, y_data, fg_spread, fg_line):

    theta = np.matrix(np.ones((1,x_data.shape[0]))*.11)
    hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))
    cost_hyp = lambda theta, x, y: ((np.multiply(-y,np.log10(hyp(theta,x)))) - \
                            (np.multiply((1-y),(np.log10(1-hyp(theta, x)))))).sum()

    theta = scipy.optimize.fmin(cost_hyp, theta, args=(x_data,y_data), xtol=.00001, disp=0)

    return hyp(np.matrix(theta),np.matrix([1,fg_spread, fg_line]).reshape(3,1))
4

1 回答 1

2

使用numexpr使您的 hyp 和 cost_hyp 计算更快地进行评估。fmin 函数族为不同的条目多次计算这些函数。因此，这些功能的任何收益都直接在最小化中报告。

因此，例如，您将替换：

hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))

经过：

hyp = lambda theta, x: numexpr.evaluate("1 / (1 + exp(-(theta*x)))")

Numexpr 旨在与 numpy 数组一起使用。

于 2012-09-05T08:18:25.763 回答