L-BFGS-B 不满足给定约束

Question

我尝试使用 scipy 中的最小化函数来找到模型的优化权重值。如下代码所示，我定义了错误函数，返回模型的 f1 分数减一。

 def err_func(weights,x,y):
        undetected=0
        correct=0
        incorrect=0
        results=fun(weights,x)
        for i in range(0,len(results)):
            if(results[i]==y[i]):
                correct+=1
            elif(not (results[i]==y[i])):
                incorrect+=1
        undetected=len(y)-(correct+incorrect)
        precision=float(correct) / float(correct + incorrect)
        recall=float(correct) / float(correct + incorrect + undetected)
        f1=2 * precision * recall / (precision + recall)
        return 1.0-f1

我使用的约束是权重中的每个值都在 0 和 1 之间，并且权重之和等于 1。这些定义如下：

cons = ({'type': 'eq', 'fun': lambda x: 1 - sum(x)})
bnds = tuple((0.0, 1.0) for x in weights)
eps=1e-2

但是在运行最小化方法时，我的函数不满足约束。

from scipy.optimize import minimize
res = minimize(err_func, weights,method='L-BFGS-B', args=(x,y),constraints=cons,bounds=bnds,options = {'eps':eps,'maxiter':100}) 
print res
test_weights=res.x
print sum(test_weights)

我得到这样的输出，权重之和大于1。我错过了什么？

>    fun: 0.4955555555555555  hess_inv: <11x11 LbfgsInvHessProduct with
> dtype=float64>
>       jac: array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])   message: 'CONVERGENCE: NORM_OF_PROJECTED_GRADIENT_<=_PGTOL'
>      nfev: 24
>       nit: 1    status: 0   success: True
>         x: array([ 0.        ,  0.22222222,  0.        ,  1.        ,  1.        ,
>         0.11111111,  1.        ,  1.        ,  1.        ,  0.        ,  1.        ])
> 6.33333333333

Answer 1

L-BFGS-B只支持绑定约束（也就是第二个'B'的意思）。此方法不支持一般约束。

摘自scipy docs：

Parameters:
    ...
    constraints : dict or sequence of dict, optional
        ...
        Constraints definition (only for COBYLA and SLSQP)

L-BFGS-B 不满足给定约束

L-BFGS-B does not satisfy given constraint

python

optimization

minimize

scipy