我正在使用Scipy的fmin search来计算分布拟合某些数据的可能性的对数。我正在使用fmin搜索使对数可能性最大化的参数，如下所示：
j = fmin(lambda p:-sum(log(likelihood_calculator(data, p))), array([1.5]), full_output=True)
（likelihood_calculator接受数据和参数，并为每个数据点吐出一组似然值。）
如果我们从产生可能性为0的参数开始搜索，则对数似然为-inf，因此-sum为inf。 fmin应该远离初始参数，但它将停留在该值上以获得最大调用次数，然后返回该值：
In [268]: print j
(array([ 1.5]), inf, 67, 200, 1)
我以为这可能是fmin处理infs的问题，但是如果我们删除似然计算器并直接递给0，我们会得到更好的行为：
In [269]: i = fmin(lambda p: -sum(log(p)), array([0]), full_output=1)
Warning: Maximum number of function evaluations has been exceeded.
In [270]: i
Out[270]: (array([ 3.16912650e+26]), -61.020668415892501, 100, 200, 1)
如果我们使用零数组，这些零是浮点数或使用fmin_bfgs，则会发生相同的正确行为。如果我们使用fmin_bfgs，则与函数调用相同的不正确行为会继续，但是如果我们以不会产生0可能性（因此不会产生infs）的参数开头，则fmin会正确运行。
有什么想法吗？谢谢！
更新：
如果参数的广泛区域导致零，则可以将参数值推到最边缘。如果参数足够接近边缘，则fmin将离开零域并开始搜索。
例如p
最佳答案
也许您的更新回答了这个问题。由于fmin使用下坡梯度算法，因此它将在初始猜测的附近搜索最陡下降方向。如果您深入到函数始终返回inf的参数区域，则算法将看不到要去的方向。
关于python - Scipy的fmin有时仅在inf上停留，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/7534653/