问题描述
我尝试遵循lmfit的{{3}}中给出的示例，并产生了以下内容：
...
params.add(name="m",value=m_init,min=m_min,max=m_max)
params.add(name="mni_minus_m",value=1,vary=True,min=1e-12)
params.add(name="m_ni",expr='0.5*m + mni_minus_m') # max value of m_ni is 0.5*m
...
这驻留在一个函数中，该函数采用m_max，m_min等参数。
您可能会说，我希望将m_ni的最大值设置为m值的一半，但是希望可以自由地在零（最好是最小值0.1）之间变化。以及最大数目出于类似float精度（？）的原因，在类似的问题中建议在中间参数中设置min=
不幸的是，看来这实际上只是将m_ni的值粘贴到m的50％上。对于我尝试与此匹配的所有事情，似乎都是这种情况。
这很可能发生，因为这是最小二乘决定要执行的操作，而这实际上是正确的语法，但是我不确定，并想向比我更胜任的任何人进行验证。
我还想知道在这种情况下如何为m_ni设置一个初始值，因为这对我来说还不是很清楚。
解决方法
我还没有使用过这个库，但是听起来像你想要的
OLS Lasso Ridge
0 1.000000 0.914186 0.985494
1 0.700401 0.877555 0.867068
或者最后一个可能是
params.add(name="m",value=m_init,min=m_min,max=m_max)
params.add(name="mni_factor",min=0,max=0.5)
params.add(name="m_ni",expr='m * mni_factor')
获得0.1的下限，但是我不确定这是否对优化行为有效：）