python - 如何在sklearn高斯过程回归使用的优化函数中更改max_iter？

Question

我正在使用 sklearn 的 GPR 库，但偶尔会遇到这个烦人的警告:

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。
我试图按照建议重新调整数据，但它没有用，坦率地说我不理解它(我还需要调整输出吗？同样，很少有文档)。

增加优化过程中的最大迭代次数是有道理的，但 sklearn 似乎没有办法做到这一点，这令人沮丧，因为他们建议这样做以响应此警告。

看着探地雷达 source code ，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

哪里 scipy.optimize.minimize()有默认值

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 docs .

我想完全使用上面 GPR 源代码中所示的优化器， 但将 maxit 更改为更高的数字。 换句话说，除了通过增加最大迭代次数所做的更改之外，我不想更改优化器的行为。

挑战在于其他参数，如 obj_func, initial_theta, bounds在 GPR 源代码中设置，不能从 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，这些参数大多是默认参数。

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

您想要扩展和/或修改现有 Python 对象的行为，这听起来像是继承的一个很好的用例。

一个解决方案可能是从 scikit-learn 实现继承，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)