我正在使用sklearn的GPR库,但偶尔会遇到此烦人的警告:
ConvergenceWarning: lbfgs failed to converge (status=2):
ABNORMAL_TERMINATION_IN_LNSRCH.
Increase the number of iterations (max_iter) or scale the data as shown in:
https://scikit-learn.org/stable/modules/preprocessing.html
_check_optimize_result("lbfgs", opt_res)
我不仅几乎找不到有关此警告的文档,而且max_iter根本不是sklearn的GPR模型中的参数。我尝试按照建议的方法缩放数据,但是它没有用,并且坦率地说我不理解(我还需要缩放输出吗?同样,文档很少)。
在优化过程中增加最大迭代是有道理的,但是sklearn似乎没有做到这一点的方法,这很令人沮丧,因为他们响应此警告而建议这样做。
查看GPR源代码,这就是sklearn调用优化器的方式,
def _constrained_optimization(self, obj_func, initial_theta, bounds):
if self.optimizer == "fmin_l_bfgs_b":
opt_res = scipy.optimize.minimize(
obj_func, initial_theta, method="L-BFGS-B", jac=True,
bounds=bounds)
_check_optimize_result("lbfgs", opt_res)
theta_opt, func_min = opt_res.x, opt_res.fun
elif callable(self.optimizer):
theta_opt, func_min = \
self.optimizer(obj_func, initial_theta, bounds=bounds)
else:
raise ValueError("Unknown optimizer %s." % self.optimizer)
return theta_opt, func_min
其中的scipy.optimize.minimize()
默认值为
scipy.optimize.minimize(fun, x0, args=(), method='L-BFGS-B', jac=None, bounds=None,
tol=None, callback=None, options={'disp': None, 'maxcor': 10, 'ftol': 2.220446049250313e-09,
'gtol': 1e-05, 'eps': 1e-08, 'maxfun': 15000, 'maxiter': 15000, 'iprint': -1, 'maxls': 20})
根据scipy的文档。
我想完全使用上面GPR源代码中所示的优化程序,但是将maxiter更改为更大的数字。换句话说,除了增加最大迭代次数之外,我不想更改优化程序的行为。
挑战在于,其他参数(例如obj_func, initial_theta, bounds
GPR源代码中设置的参数)无法从GPR对象访问。
这就是我调用GPR的方式,请注意,除了n_restarts_optimizer和内核之外,这些大多数都是默认参数。
for kernel in kernels:
gp = gaussian_process.GaussianProcessRegressor(
kernel = kernel,
alpha = 1e-10,
copy_X_train = True,
optimizer = "fmin_l_bfgs_b",
n_restarts_optimizer= 25,
normalize_y = False,
random_state = None)
您想扩展和/或修改现有Python对象的行为,这听起来像是继承的好用例。
一个解决方案可能是从scikit-learn实现继承,并确保使用所需的参数调用常规的优化器。这是一个草图,但是请注意,这未经测试。
from functools import partial
from sklearn.gaussian_process import GaussianProcessRegressor
import scipy.optimize
class MyGPR(GaussianProcessRegressor):
def __init__(self, *args, max_iter=15000, **kwargs):
super().__init__(*args, **kwargs)
self._max_iter = max_iter
def _constrained_optimization(self, obj_func, initial_theta, bounds):
def new_optimizer(obj_func, initial_theta, bounds):
return scipy.optimize.minimize(
obj_func,
initial_theta,
method="L-BFGS-B",
jac=True,
bounds=bounds,
max_iter=self._max_iter,
)
self.optimizer = new_optimizer
return super()._constrained_optimization(obj_func, initial_theta, bounds)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句