负对数似然最小化的参数约束
Constrain on parameters for Negative Log Likelihood Minimization
我正在尝试拟合一个 5 参数（a、b、c、d、e）模型，其中一个参数受另一个参数的约束，比方说，
0< d < 1
e < |d|
我目前正在使用zfit which as far as I know, uses iMinuit
我只创建了 zfit.Parameters 并设置了限制，使它们可以访问的范围有效，再说一遍：
d = zfit.Parameter('d', value=0.5, lower_limit=0.3, upper_limit=1.0, step_size=0.01)
e = zfit.Parameter('e', value=0.1, lower_limit=0.0, upper_limit=0.3, step_size=0.01)
到目前为止效果很好，但我认为这不是正确的做法。
所以我的问题是，处理这种约束的正确方法是什么？
干杯
我会谨慎使用这个限制，因为它们会阻止变量，理想情况下，它们应该远离最终值。
有两种方法可以达到你想要的效果：
- 要么将“数学上”的约束强加为逻辑结果，那么使用组合参数（它是其他参数的函数）从另一个参数定义一个参数。如果可能，这应该是首选方式。
- 另一种选择是用附加条款施加这种限制。但是，当您修改可能性时，这可能会产生影响。最小化器会找到一个最小值，但这可能不是您要查找的最小值。您可以使用的是 SimpleConstraints 并在违反上述任何一项时为可能性添加惩罚项（例如
tf.cast(tf.greater(d, 1), tf.float64) * 100.）。也许还要确保 minuit 是 运行 和 use_minuit_grad.
我正在尝试拟合一个 5 参数（a、b、c、d、e）模型，其中一个参数受另一个参数的约束，比方说，
0< d < 1
e < |d|
我目前正在使用zfit which as far as I know, uses iMinuit
我只创建了 zfit.Parameters 并设置了限制，使它们可以访问的范围有效，再说一遍：
d = zfit.Parameter('d', value=0.5, lower_limit=0.3, upper_limit=1.0, step_size=0.01)
e = zfit.Parameter('e', value=0.1, lower_limit=0.0, upper_limit=0.3, step_size=0.01)
到目前为止效果很好，但我认为这不是正确的做法。
所以我的问题是，处理这种约束的正确方法是什么？
干杯
我会谨慎使用这个限制，因为它们会阻止变量，理想情况下，它们应该远离最终值。
有两种方法可以达到你想要的效果：
- 要么将“数学上”的约束强加为逻辑结果，那么使用组合参数（它是其他参数的函数）从另一个参数定义一个参数。如果可能，这应该是首选方式。
- 另一种选择是用附加条款施加这种限制。但是，当您修改可能性时，这可能会产生影响。最小化器会找到一个最小值，但这可能不是您要查找的最小值。您可以使用的是 SimpleConstraints 并在违反上述任何一项时为可能性添加惩罚项（例如
tf.cast(tf.greater(d, 1), tf.float64) * 100.）。也许还要确保 minuit 是 运行 和 use_minuit_grad.