基于scipy.optimize优化运算库的实现

如何将预测结果写到csv文件的第四列，并且预测结果小于0.5的为0大于0.5的为1，求解答

可以这样实现:
python
import scipy.optimize as opt
import pandas as pd

# 读取CSV文件
df = pd.read_csv('data.csv')

# 定义预测函数
def predict(x):
    return 1 / (1 + np.exp(-x))

# 调用优化函数,得到预测结果
results = []
for x in df.values:
    result = opt.minimize(lambda y: (predict(y) - x[3]) ** 2, x[2], method='Nelder-Mead')
    results.append(result.x)

# 将结果写入CSV第四列 
df['predictions'] = results  
df.loc[df['predictions'] < 0.5, 'predictions'] = 0  
df.loc[df['predictions'] >= 0.5, 'predictions'] = 1

# 输出结果
df.to_csv('result.csv', index=False)
这段代码会:
1. 读取CSV数据
2. 定义sigmoid预测函数predict
3. 使用Nelder-Mead方法对每个样本进行优化,得到预测结果
4. 将预测结果写入CSV第四列
5. 小于0.5的设为0,大于等于0.5的设为1
6. 输出结果CSV
这样就实现了将优化结果写入CSV并进行0-1分类。

• 你可以参考下这篇文章：拟合与优化——利用Scipy包的optimize模块
• 除此之外, 这篇博客: 优化器scipy.optimize参考指南中的 6 自定义最小化器 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• from scipy.optimize import OptimizeResult
  def custmin(fun, x0, args=(), maxfev=None, stepsize=0.1,
          maxiter=100, callback=None, **options):
      bestx = x0
      besty = fun(x0)
      funcalls = 1
      niter = 0
      improved = True
      stop = False
  
      while improved and not stop and niter < maxiter:
          improved = False
          niter += 1
          for dim in range(np.size(x0)):
              for s in [bestx[dim] - stepsize, bestx[dim] + stepsize]:
                  testx = np.copy(bestx)
                  testx[dim] = s
                  testy = fun(testx, *args)
                  funcalls += 1
                  if testy < besty:
                      besty = testy
                      bestx = testx
                      improved = True
              if callback is not None:
                  callback(bestx)
              if maxfev is not None and funcalls >= maxfev:
                  stop = True
                  break
  
      return OptimizeResult(fun=besty, x=bestx, nit=niter,
                            nfev=funcalls, success=(niter > 1))
  
  x0 = [1.35, 0.9, 0.8, 1.1, 1.2]
  res = minimize(rosen, x0, method=custmin, options=dict(stepsize=0.05))
  
  res.x
  # array([1., 1., 1., 1., 1.])