Python fmin 太慢

Question

我在 x_data 中有一个 3x2000 numpy 数组，在 y_data 中有一个 1x2000 numpy 数组，我将其传递给此函数 regress 以给我一条回归线。它工作正常。问题是我正在尝试进行一些回测并测试 1000 种情况，我必须回归 1000 次，这将花费我大约 5 分钟的时间来运行它。

我尝试标准化变量，但似乎并没有使它更快。

我还简要地尝试了 fmin_powell 和 fmin_bfgs，这似乎打破了它。

有什么想法吗？谢谢!

def regress(x_data, y_data, fg_spread, fg_line):

    theta = np.matrix(np.ones((1,x_data.shape[0]))*.11)
    hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))
    cost_hyp = lambda theta, x, y: ((np.multiply(-y,np.log10(hyp(theta,x)))) - \
                            (np.multiply((1-y),(np.log10(1-hyp(theta, x)))))).sum()

    theta = scipy.optimize.fmin(cost_hyp, theta, args=(x_data,y_data), xtol=.00001, disp=0)

    return hyp(np.matrix(theta),np.matrix([1,fg_spread, fg_line]).reshape(3,1))

Answer 1

使用numexpr使你的 hyp 和 cost_hyp 计算更快地评估。 fmin 函数族针对不同的条目多次计算这些函数。因此，这些函数的任何增益都直接在最小化中报告。

例如，您将替换:

hyp = lambda theta, x: 1 / (1 + np.exp(-(theta*x)))

通过:

hyp = lambda theta, x: numexpr.evaluate("1 / (1 + exp(-(theta*x)))")

Numexpr 旨在与 numpy 数组一起使用。