Scikit-Learn + Scipy.optimize внешние оптимизаторы в регрессии гауссовских процессов

Question

Я впервые использую регрессию Гауссовых процессов из Scikit-learn и хотел бы использовать scipy.optimize внешние оптимизаторы в:

gp = GaussianProcessRegressor(kernel=kernel, alpha=0.015, normalize_y=True, optimizer= EXT_OPT). 

Как правильно использовать библиотеку внешней оптимизации

Answer 1

На самом деле я понял это сам. Это довольно просто:

def optim2 (obj_fun c, initial_theta, bounds): (1) optimResult = opt.minimize (obj_fun c, initial_theta, method = 'BFGS', jac = 'False') theta_opt = optimResult.x func_min = optimResult.fun возвращает theta_opt, func_min

 OR

(2) theta_opt, func_min, Convergence_dict = opt.fmin_l_bfgs_b (obj_fun c, bounds), ) вернуть theta_opt, func_min

gp = GaussianProcessRegressor (ядро = ядро, альфа = 0,015, normalize_y = True, оптимизатор = optim2)