学习高斯过程回归优化函数中如何改变max_iter？

Question

我正在使用sklearn的GPR库，但偶尔会遇到这个恼人的警告：

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)

不仅我几乎找不到关于这个警告的文档，max_iter在sklearn的探地雷达模型中根本不是一个参数。我试图按建议重新处理数据，但它没有起作用，坦率地说，我不理解它(我还需要缩放输出吗？再说一遍，文件很少)。

在优化过程中增加最大迭代是有意义的，但是sklearn似乎没有办法做到这一点，这是令人沮丧的，因为他们建议这样做是为了响应这个警告。

看看探地雷达源代码，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，scipy.optimize.minimize()的默认值为

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})

根据枕骨文档。

我想使用上面所示的优化器，如GPR源代码中所示，但将maxiter更改为更高的数字。换句话说，我不想改变优化器的行为，而不是通过增加最大迭代而进行的更改。

面临的挑战是，其他参数(如obj_func, initial_theta, bounds )是在探地雷达源代码中设置的，无法从探地雷达对象访问。

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)

Answer 1

您希望扩展和/或修改现有Python对象的行为，这听起来是继承的一个很好的用例。

解决方案可能是从scikit继承-学习实现，并确保使用您想要的参数调用通常的优化器。这是一个草图，但请注意，这是未经测试的。

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)

Answer 2

对我起作用的是以下几点。我使用继承，还重新定义了_constrained_optimization方法。

class MyGPR(GaussianProcessRegressor):
    def __init__(self, *args, max_iter=2e05, gtol=1e-06, **kwargs):
        super().__init__(*args, **kwargs)
        self._max_iter = max_iter
        self._gtol = gtol

    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, options={'maxiter':self._max_iter, 'gtol': self._gtol})
            _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

要使此操作正常，除了您通常的导入之外，还应该导入以下内容

from sklearn.utils.optimize import _check_optimize_result