plot_param_importances

optuna.visualization.plot_param_importances(study, evaluator=None, params=None, *, target=None, target_name='Objective Value')

绘制超参数重要性。

参见

此函数可视化 optuna.importance.get_param_importances() 的结果。

参数:

• study (Study) – 一个优化的 Study。

• evaluator (BaseImportanceEvaluator | None) –

  一个重要性评估器对象，用于指定评估重要性的算法。默认为 FanovaImportanceEvaluator。

  注意

  FanovaImportanceEvaluator 在处理包含 1000+ 次试验的 Study 时需要 1 分钟以上。我们发布了 optuna-fast-fanova 库，它是一个用 Cython 加速的 fANOVA 实现。使用它，您可以在几秒钟内获得超参数重要性。

• params (list[str] | None) – 要评估的参数名称列表。如果为 None，则评估所有已完成试验中存在的所有参数。

• target (Callable[[FrozenTrial], float] | None) –

  用于指定要显示的值的函数。如果为 None 且 study 用于单目标优化，则绘制目标值。对于多目标优化，如果 target 为 None，则将绘制所有目标。

  注意

  如果 study 用于多目标优化，此参数可用于指定要绘制哪个目标。例如，要仅获取第一个目标的超参数重要性，请使用 target=lambda t: t.values[0] 作为 target 参数。

• target_name (str) – 要在图例上显示的目标名称。如果 target 为 None，则优先使用通过 set_metric_names() 设置的名称，覆盖此参数。

返回:

一个 plotly.graph_objects.Figure 对象。

返回类型:

Figure

以下代码片段展示了如何绘制超参数重要性。

import optuna
from plotly.io import show


def objective(trial):
    x = trial.suggest_int("x", 0, 2)
    y = trial.suggest_float("y", -1.0, 1.0)
    z = trial.suggest_float("z", 0.0, 1.5)
    return x**2 + y**3 - z**4


sampler = optuna.samplers.RandomSampler(seed=10)
study = optuna.create_study(sampler=sampler)
study.optimize(objective, n_trials=100)

fig = optuna.visualization.plot_param_importances(study)
show(fig)