第5章 凸优化_第8节 Python 中的凸优化工具实战.pdfVIP

⼋、Python中的凸优化⼯具实战

8.1cvxpy的基本⽤法与建模范式学

8.1.2基本建模流程（通⽤模板）数

修

8.1.3第⼀步：变量定义必

习

8.1.4第⼆步：⽬标函数构造学

器

8.1.5第三步：约束条件构造机

-

壮

8.1.6第四步：定义问题大

s

o

c

8.1.7第五步：求解问题

8.1.8实例演示：L2最⼩⼆乘问题

8.1.9再示例：带约束的投资组合优化

8.1.10常⻅函数与符号速查表

8.1.11总结：为什么使⽤cvxpy

8.2实战示例：Logistic回归、稀疏编码、SVM

8.2.1Logistic回归（对数⼏率模型）

8.2.2稀疏编码：Lasso回归

8.2.3⽀持向量机：软间隔

8.2.4⼩结：三种模型对⽐

8.3模型求解结果的可视化与调试技巧

8.3.1为什么需要可视化与调试？学

8.3.2变量的值和对偶变量的解读取数

8.3.3可视化⽬标函数收敛趋势（⾃定义log）修

必

8.3.4可视化约束活跃性（KKT条件视⻆）习

学

8.3.5⽆解/多解/数值问题的调试技巧器

机

-

8.3.6实战案例：Lasso稀疏回归解的可视化

壮

大

s

8.3.7常⻅陷阱与调试建议总结

o

c

8.3.8⼩结

8.4与PyTorch/Scikit-learn等⼯具的协同⼯作

8.4.1为什么需要协同：模型训练的职责分离

8.4.2协同结构：两种典型的调⽤⽅式

8.4.3实战案例⼀：cvxpy特征选择+