知识卡片
优化返回收敛不证明全局最优
optim用参数初值与目标函数推进搜索,返回par、value、counts及convergence等信息。返回码0表示按方法停止条件收敛,不自动证明全局最优。它有多种方法,默认Nelder–Mead无需导数,不能把所有方法概括为微积分或由局部信息必能认识全局。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 优化:密码破译 第7章 优化:密码破译 · 连续片段1 · 查看原书依据
第三个是convergence,它告诉我们optim函数是否足够有把握找到最优点。如果一切没问题,那么它的值应该是0。而当它非0时对应的错误信息可以在optim函数的帮助文档中找到。最后,message变量保存了任何可能对我们有用的其他信息。 总而言之,optim函数基于一些微积
参考来源
- 位置:《机器学习:实用案例解析》第07章《第7章 优化:密码破译 · 连续片段1》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3110.html,spine3216)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:第三个是convergence,它告诉我们optim函数是否足够有把握找到最优点。如果一切没问题,那么它的值应该是0。而当它非0时对应的错误信息可以在optim函数的帮助文档中找到。最后,message变量保存了任何可能对我们有用的其他信息。 总而言之,optim函数基于一些微积