使用 `numpy` 和 `scipy.optimize.minimize` 补全代码后运行超时，可从以下几个方面解决： ### 优化算法选择 `scipy.optimize.minimize` 提供了多种优化算法，不同算法适用于不同问题。若当前使用的算法收敛速度慢，可尝试其他算法。例如，若当前使用的是 `TNC` 算法，可尝试 `L-BFGS-B` 算法，它在处理大规模问题时通常更高效。 ```python import numpy as np from scipy.optimize import minimize def sigmoid(z): return 1 / (1 + np.exp(-z)) def cost(theta, X, y, learning_rate): m = len(y) h = sigmoid(X @ theta) cost = (-1/m) * (y.T @ np.log(h) + (1 - y).T @ np.log(1 - h)) return cost def gradient(theta, X, y, learning_rate): m = len(y) h = sigmoid(X @ theta) grad = (1/m) * X.T @ (h - y) return grad def one_vs_all(X, y, num_labels, learning_rate): rows = X.shape[0] params = X.shape[1] all_theta = np.zeros((num_labels, params + 1)) X = np.insert(X, 0, values=np.ones(rows), axis=1) for i in range(1, num_labels + 1): theta = np.zeros(params + 1) y_i = np.array([1 if label == i else 0 for label in y]) y_i = np.reshape(y_i, (rows, 1)) # 使用 L-BFGS-B 算法 fmin = minimize(fun=cost, x0=theta, args=(X, y_i, learning_rate), method='L-BFGS-B', jac=gradient) all_theta[i-1,:] = fmin.x return all_theta ``` ### 数据预处理 对数据进行预处理，如归一化，可加快算法收敛速度。归一化可使特征具有相同的尺度，避免某些特征对结果产生过大影响。 ```python from sklearn.preprocessing import StandardScaler # 假设 X 是特征矩阵 scaler = StandardScaler() X = scaler.fit_transform(X) ``` ### 减少不必要的计算 确保代码中没有不必要的循环或重复计算。尽量使用 `numpy` 的向量化操作，避免 Python 循环，因为向量化操作通常更快[^1]。 ### 调整优化参数 可调整 `minimize` 函数的参数，如 `maxiter`（最大迭代次数），避免算法在不必要的迭代上浪费时间。 ```python fmin = minimize(fun=cost, x0=theta, args=(X, y_i, learning_rate), method='L-BFGS-B', jac=gradient, options={'maxiter': 100}) ```