scipy.optimize.fmin_bfgs的正確用法

Question

我在Python中使用logistic迴歸。我已經實現了一個版本，其中成本函數的最小化是通過梯度下降完成的，現在我想使用scipy的BFGS算法（scipy.optimize.fmin_bfgs）。

我有一組數據（矩陣X中的特徵，每行X中有一個樣本，垂直向量y中有相關標籤）。我試圖找到參數西塔最小化：

我聽不太懂fmin_bfgs工作究竟如何。就我所知，我必須通過一個函數來最小化Theta和一組初始值。

我執行以下操作：

initial_values = numpy.zeros((len(X[0]), 1)) 
myargs = (X, y) 
theta = scipy.optimize.fmin_bfgs(computeCost, x0=initial_values, args=myargs) 

其中computeCost計算Ĵ（θ驅動）如上所示。但是我得到了一些索引相關的錯誤，所以我認爲我沒有提供fmin_bfgs期望的東西。

任何人都可以對此有所瞭解嗎？

Answer 1

在浪費了幾個小時之後，再次通過發佈功能解決......我定義了computeCost（X，y，Thetas），但是作爲Thetas是優化的目標參數，它應該是第一個參數簽名。修復和工作！

Answer 2

我不知道你的整個代碼，但你有沒有試過

initial_values = numpy.zeros(len(X[0])) 

？我認爲這個x0應該是一個1d向量。