10
votes

Différence entre Scipy.LeastSQ et Scipy.LeasT_squares

Je me demandais quelle différence entre les deux méthodes scipy.optimize.leastsq code> et scipe.optimize.least_squares code> est?

Lorsque je les implémenter, ils produisent des différences minimales dans CHI ^ 2: P>

>>> solution0 = ((p0.fun).reshape(100,100))
>>> # p0.fun are the residuals of my fit function np.ravel'ed as returned by least_squares
>>> print(np.sum(np.square(solution0))) 
0.542899505806

>>> solution1 = np.square((median-solution1))
>>> # solution1 is the solution found by least_sq, it does not yield residuals thus I have to subtract it from the median to get the residuals (my special case)
>>> print(np.sum((solution1)))
0.54402852325

python optimization numpy scipy least-squares

0 commentaires

3 Réponses :

2
votes

dans moins_squares Vous pouvez donner des limites supérieure et inférieure pour chaque variable

Il existe d'autres fonctionnalités que la moindreqq ne fournit pas si vous comparez les Docstrings



                                                                    
                                    
                                    
                                        0 commentaires


                        
                                            
                            
                                
                                    5
 votes
                                
                            
                            
                                
                                     de la DOCS pour  moins_squares , il apparaît que  moinsq  est un wrapper plus âgé. 


    Voir aussi  
  
  
  moinsq  Un wrapper legacy pour la mise en œuvre du ministre de l'algorithme Levenberg-Marquadt. 


 Vous devez simplement utiliser  moins_squares . Il semble que  moins_squares  a une fonctionnalité supplémentaire. On estime avant que la "méthode" par défaut (I.e. Algorithme) utilisée est différente: 


  
    TRF : algorithme de réflexion de la région de confiance, particulièrement adapté aux problèmes importants des limites. Méthode généralement robuste. 
  
  Dogbox : ALGORITHM DOGLEG avec régions de confiance rectangulaire, l'étui d'utilisation typique est de petits problèmes avec des limites. Non recommandé pour les problèmes
  avec jacobien déficient au rang. 
  
  lm : algorithme Levenberg-marquardt comme implémenté dans Minpack. Ne gère pas les limites et les jacobiens clairsemés. Généralement le plus efficace
  méthode de petits problèmes non contraints. 
  
  
   défaut est  trf . Voir Notes pour plus d'informations. 


 L'ancien  ALGORITHM  ALGORITHM n'était qu'un wrapper pour la méthode  lm , qui, comme le Docs disent - est bon uniquement pour les petits problèmes non contractés. 

 La différence que vous voyez dans vos résultats pourrait être due à la différence entre les algorithmes utilisés.                                 


                                                                    
                                    
                                    
                                        0 commentaires
                                        
                                                                                    
                                    
                                                            

                        

                        
                                            
                            
                                
                                    4
 votes
                                
                            
                            
                                
                                     La raison  clé  pour écrire la nouvelle fonction scipy  moins_squares  est de permettre les limites supérieure et inférieure sur les variables (également appelées "contraintes de la boîte"). C'était une fonctionnalité hautement demandée. 

 Cet ajout apparemment simple est en fait loin des algorithmes triviaux et requis complètement de nouveaux nouveaux algorithmes, en particulier le dogleg ( méthode = "dogleg"  dans  au moins_squares ) et la région de confiance réfléchissant ( Méthode = "trf" ), qui permet un traitement robuste et efficace des contraintes de la boîte (détails sur les algorithmes sont donnés dans les références au SCIPY  Documentation ). 

 également important est le support des problèmes à grande échelle et des jacobiens clairsemés. 

 Lorsque les limites des variables ne sont pas nécessaires, et que le problème n'est pas très grand, les algorithmes de la nouvelle fonction scipe  moins_squares  ont peu, le cas échéant, en ce qui concerne le Minpeack Levenberg-Marquardt Mise en œuvre utilisée dans l'ancien  moinsq  un. 

 Cependant, le même code FORTRAN MINPACK est appelé à la fois par l'ancien  moinsq  et par le nouveau   avec l'option  méthode = "lm" . Pour cette raison, l'ancien  moinsq  est maintenant obsolète et n'est pas recommandé pour le nouveau code.                                 


                                                                    
                                    
                                    
                                        2 commentaires
                                        
                                                                                            
                                                    Est-il possible de fournir différentes limites sur les variables. Mon problème nécessite que la première moitié des variables soit positive et la seconde moitié à être dans [0,1]. Il est difficile de faire ce correctif?                                                
                                                
                                                                                            
                                                    Bien sûr, chaque variable a sa propre liaison:  limites = [(L1, L2, ...), (U1, U2, ...)]

Articles qui pourrait vous intéresser : Python: ConnectionError: HTTPSConnectionPool (hôte = 'api.foursquare-com', port = 443) L'exécution de Flask sous Windows n'exécute pas la commande d'exécution de flask Chatbot installé mais obtention d'une erreur lors de l'importation de ChatBot Administrateur Django: __str__ a renvoyé une non-chaîne (type int)