2

（第一个问题，如果在某种程度上不好，将进行编辑。在发布之前进行了研究）

我想预测 x*C=y （x 和 y 是数据集，C 是一个矩阵），具有 C 的行总和为 1 并且其元素介于 0 和 1 之间的约束。

因为受约束的是行，而不是列，所以我不能只使用线性回归而必须写下误差函数。我在 Matlab 中成功地做到了这一点，所以我知道它不在数据或方法中，而可能在我的代码中。

我的代码（如下）给出了这两个错误之一（取决于随机初始猜测，我假设）：

More than 3*n iterations in LSQ subproblem    (Exit mode 3)
Inequality constraints incompatible    (Exit mode 4)

任何帮助将不胜感激。我是 Python 新手，在这方面花了很多时间。

M1=data_2013.shape[1]
M2=data_2015.shape[1]

def error_function(C):
    C=C.reshape(M1,M2)
    return np.sum(np.sum((np.dot(data_2013,C)-data_2015)**2))

def between_zero_and_one(x):
    x=x.reshape(x.size)
    return x*(1-x)

def eq_constraint(x):
    x=x.reshape(M1,M2)
    return x.sum(axis=1) - 1

cons = [{'type': 'ineq', 'fun': between_zero_and_one}, 
        {'type': 'eq', 'fun': eq_constraint}]


C0=np.random.rand(M1,M2)
result=minimize(error_function,C0, constraints=cons, options={'disp': True, 'maxiter': 10000})
4

1 回答 1

0

Sascha 的回答帮助了我 - 问题与cvxpy.

代码：

M1=x_data.shape[1]
M2=y_data.shape[1]
C=cvx.Variable(x_data.shape[1],y_data.shape[1])
constraints=[0<=C, C<=1, cvx.sum_entries(C,axis=1)==1]
objective=cvx.Minimize(cvx.norm((x_data.values*C)-y_data.values))
prob=cvx.Problem(objective, constraints)
prob.solve()
C_mat=C.value

谢谢，萨沙！

于 2017-12-12T17:46:11.933 回答