使用scipy.optimise.minimise()同时执行拟合/最小化操作

Question

我正在使用科学优化最小化（）最小化对数似然表达式的方法：

param_array = np.array([
            0.5, # beta1 
            0.5  # beta2  
           ])

def f(param_array): 

        great_bayesian = -sum( np.log(binomial.pmf(t_g_c, t_g_t, (param_array[0] + historical_t_g_c)/(param_array[0] + param_array[1] + historical_t_g_t) ) ) )

        return great_bayesian

beta_opt = optimize.minimize(f,param_array,method='SLSQP', constraints=cons)

当我想在单个数据帧上最小化单个可能性并正确确定beta1和beta2的最佳估计时，该方法非常有效。你知道吗

但是，我想同时拟合多个数据帧，并获得beta1和beta2的一组总体最佳估计。你知道吗

我不知道该怎么做，但我确信这一定是个解决了的问题。任何指导都将不胜感激！你知道吗

Answer 1

可以使用“args”参数将其他参数传递给要最小化的函数。你知道吗

引用：https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.minimize.html

对于您的示例，您必须重新定义f（…）才能接受要更改的参数。然后把电话转到scipy.最小化提供要作为元组传递给f（…）的附加参数。这里唯一的限制是f（…）需要定义，以便最小化的参数数组是第一个参数。你知道吗

以下是对代码的（未测试）更改。我在您的参数中添加了前缀“some\”，以表明这些参数可以在此处更改。你知道吗

param_array = np.array([
            0.5, # beta1 
            0.5  # beta2  
           ])

def f(param_array, team_great_conv, team_great_tot, historical_team_great_conv, historical_team_great_tot): 

        great_bayesian = -sum( np.log(binomial.pmf(team_great_conv, team_great_tot, (param_array[0] + historical_team_great_conv)/(param_array[0] + param_array[1] + historical_team_great_tot) ) ) )

        return great_bayesian

beta_opt = optimize.minimize(f, param_array,
                             args=(some_team_great_conv,
                                   some_team_great_tot,
                                   some_historical_team_great_conv,
                                   some_historical_team_great_tot,),
                             method='SLSQP', constraints=cons)