技术求助：优化高斯分布参数m、s，期望esti_parametrs输出[0,1]

我来帮你排查下代码里的问题，让你能得到期望的[0,1]参数结果：

原代码存在的几个关键问题 #

• 目标函数输入格式错误：scipy.optimize.minimize要求目标函数接收单个参数数组，而不是分开的m和s，你当前的lambda函数会导致参数传递不匹配。
• 未计算总对数似然：gaus函数返回的是单个样本的对数似然值，优化时需要对所有样本的对数似然求和，才能得到正确的目标函数值。
• 初始猜测不合理：初始猜测的s设为0，会导致gaus函数里出现除以0的情况，引发数值错误；而且标准差必须是正数，初始值应该设为正数。
• 未添加参数约束：标准差s必须大于0，没有约束的话优化过程中可能出现负数或0，导致计算失效。

修改后的完整代码 #

from scipy import optimize
import numpy as np

# 生成数据集（均值0，标准差1的正态分布）
x = np.random.randn(100)

def gaus(x, m, s):
    return np.log(1 / (np.sqrt(2 * np.pi) * s) * np.exp(- (x - m) ** 2 / (2 * s ** 2)))

# 修正目标函数：接收参数数组，计算总对数似然的负值（因为minimize是求最小值，对应最大化对数似然）
def objective(params):
    m, s = params
    # 对所有样本的对数似然求和，再取负
    return -np.sum(gaus(x, m, s))

# 合理的初始猜测：均值设0，标准差设1（或者其他正数比如0.5也可以）
initial_guess = [0, 1]

# 添加约束：标准差s必须大于0（使用bounds参数）
bounds = [(-np.inf, np.inf), (1e-6, np.inf)]  # m无约束，s最小设为极小正数避免除以0

# 执行优化
esti_parametrs = optimize.minimize(objective, initial_guess, bounds=bounds)

print("估计的参数：", esti_parametrs.x)
print("优化结果详情：\n", esti_parametrs)

关键修改点说明 #

1. 目标函数重构：把原来的lambda改成接收单个参数数组的函数，拆分出m和s，然后对所有样本的对数似然求和再取负——因为我们要最大化对数似然，而minimize是求最小值，所以取负转换为最小化问题。
2. 初始猜测调整：把s的初始值从0改成1，避免初始计算时出现除以0的错误。
3. 添加参数边界：通过bounds参数限制s必须大于一个极小的正数（1e-6），确保优化过程中s始终是有效的标准差。

运行修改后的代码，你应该能得到接近[0,1]的估计参数，因为你的数据集x本身就是用均值0、标准差1的正态分布生成的。

内容的提问来源于stack exchange，提问作者Bartłomiej Bojanowski