Wie scipy.optimize minimize_scalar verwenden, wenn die Zielfunktion mehrere Argumente hat?

Question

Ich habe eine Funktion von mehreren Argumenten. Ich möchte es in Bezug auf eine einzelne Variable optimieren, während andere konstant gehalten werden. Dafür möchte ich minimize_scalar von pictic.optimize verwenden. Ich lese die Dokumentation, aber ich bin immer noch verwirrt, wie man minimize_scalar sagt, dass ich in Bezug auf Variable minimieren möchte: w1. Unten ist ein minimaler Arbeitscode.

import numpy as np 
from scipy.optimize import minimize_scalar 

def error(w0,w1,x,y_actual): 
    y_pred = w0+w1*x 
    mse = ((y_actual-y_pred)**2).mean() 
    return mse 

w0=50 
x = np.array([1,2,3]) 
y = np.array([52,54,56]) 
minimize_scalar(error,args=(w0,x,y),bounds=(-5,5)) 

Answer 1

können Sie verwenden, um eine Lambda-Funktion

minimize_scalar(lambda w1: error(w0,w1,x,y),bounds=(-5,5)) 

Answer 2

Sie können auch eine Teilfunktion verwenden.

from functools import partial 
error_partial = partial(error, w0=w0, x=x, y_actual=y) 
minimize_scalar(error_partial, bounds=(-5, 5)) 

Wenn Sie sich über die Leistung wundern ... es ist das gleiche wie bei Lambdas.

import time 
from functools import partial 
import numpy as np 
from scipy.optimize import minimize_scalar 

def error(w1, w0, x, y_actual): 
    y_pred = w0 + w1 * x 
    mse = ((y_actual - y_pred) ** 2).mean() 
    return mse 

w0 = 50 
x = np.arange(int(1e5)) 
y = np.arange(int(1e5)) + 52 

error_partial = partial(error, w0=w0, x=x, y_actual=y) 

p_time = [] 
for _ in range(100): 
    p_time_ = time.time() 
    p = minimize_scalar(error_partial, bounds=(-5, 5)) 
    p_time_ = time.time() - p_time_ 
    p_time.append(p_time_/p.nfev) 

l_time = [] 
for _ in range(100): 
    l_time_ = time.time() 
    l = minimize_scalar(lambda w1: error(w1, w0, x, y), bounds=(-5, 5)) 
    l_time_ = time.time() - l_time_ 
    l_time.append(l_time_/l.nfev) 

print(f'Same performance? {np.median(p_time) == np.median(l_time)}') 
# Same performance? True