scipy.leastsq和scipy.least_squares之间的区别

我想知道两种方法scipy.optimize.leastsq和scipy.optimize.least_squares之间的区别是什么？scipy.leastsq和scipy.least_squares之间的区别

当我实现了他们，他们产生的志^ 2的细微差别：

>>> solution0 = ((p0.fun).reshape(100,100)) 
>>> # p0.fun are the residuals of my fit function np.ravel'ed as returned by least_squares 
>>> print(np.sum(np.square(solution0))) 
0.542899505806 

>>> solution1 = np.square((median-solution1)) 
>>> # solution1 is the solution found by least_sq, it does not yield residuals thus I have to subtract it from the median to get the residuals (my special case) 
>>> print(np.sum((solution1))) 
0.54402852325

任何人可以就此展开或指出在哪里可以找到替代的文件，从SciPy的一个有点神秘。

来源

2016-11-24 Sebastiano1991

从文档的least_squares不提供，它会出现leastsq是一个更老的包装。

也

leastsq 请参阅MINPACK实施文伯格 - Marquadt算法的传统包装。

所以你应该只使用least_squares。看起来least_squares具有附加功能。其中最重要的是，使用的默认“方法”（即算法）是不同的：

trf：信赖域反射算法，特别适合于大型稀疏问题界限。一般健壮的方法。

dogbox：带矩形信赖域的dogleg算法，典型用例是带边界的小问题。不建议问题与秩亏缺的雅可比矩阵。

lm：在MINPACK中实现的Levenberg-Marquardt算法。不处理边界和稀疏雅可比矩阵。对于小型无约束问题，通常最有效的方法是。

默认为trf。有关更多信息，请参阅Notes。

老leastsq算法是只为lm方法，它—作为文档说—只适用于小无约束的问题很好的包装。

您在结果中看到的差异可能是由于所采用算法的不同所致。

来源

2016-11-24 19:06:26 Praveen

在least_squares你可以给上下边界为每个变量

有一些更多的功能，leastsq如果你比较文档字符串

来源

2016-11-24 13:24:24 dnalow

关键原因用于编写新的Scipy函数least_squares允许变量的上下界（也称为“框约束”）。这是一个高度要求的功能。

这显然简单的加法实际上是远离琐碎和需要完全新的算法，特别是狗腿（method="dogleg"在least_squares）和信赖域反射（method="trf"），其允许的框约束的健壮和有效的处理（详细关于算法在相关的Scipy documentation的参考文献中给出）。

同样重要的是对大规模问题和稀疏雅可比矩阵的支持。

当不需要对变量的界限，这个问题不是非常大，在新SciPy的功能least_squares算法几乎没有，如果有的话，优势就在老leastsq使用列文伯格 - 马夸特MINPACK实施一。

但是，非常相同的MINPACK Fortran代码由旧的leastsq和新的least_squares以及选项method="lm"调用。出于这个原因，旧的leastsq现已过时，不推荐用于新代码。

来源

2017-06-21 13:17:28 divenex

scipy.leastsq和scipy.least_squares之间的区别

回答

相关问题