plot_edf

optuna.visualization.matplotlib.plot_edf(study, *, target=None, target_name='Objective Value')

使用 Matplotlib 绘制研究的目标值 EDF（经验分布函数）。

请注意，绘制 EDF 时仅考虑已完成的 trial。

另请参阅

有关示例，请参阅 optuna.visualization.plot_edf()，其中此函数可以替换它。

注意

请参阅 matplotlib.pyplot.legend 来调整生成图例的样式。

参数:

• study (Study | Sequence[Study]) – 目标 Study 对象。如果您想比较多个研究的 EDF，可以传递多个 study。

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

  用于指定要显示的值的函数。如果它为 None 且 study 用于单目标优化，则将绘制客观值。

  注意

  如果 study 用于多目标优化，请指定此参数。

• target_name (str) – 要在轴标签上显示的 Target 名称。

返回:

一个 matplotlib.axes.Axes 对象。

返回类型:

Axes

注意

于 v2.2.0 添加为实验性功能。接口可能在未来版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v2.2.0。

以下代码片段显示了如何绘制 EDF。

/home/docs/checkouts/readthedocs.org/user_builds/optuna/checkouts/stable/docs/visualization_matplotlib_examples/optuna.visualization.matplotlib.edf.py:43: ExperimentalWarning:

optuna.visualization.matplotlib._edf.plot_edf is experimental (supported from v2.2.0). The interface can change in the future.


<Axes: title={'center': 'Empirical Distribution Function Plot'}, xlabel='Objective Value', ylabel='Cumulative Probability'>

import math

import optuna


def ackley(x, y):
    a = 20 * math.exp(-0.2 * math.sqrt(0.5 * (x**2 + y**2)))
    b = math.exp(0.5 * (math.cos(2 * math.pi * x) + math.cos(2 * math.pi * y)))
    return -a - b + math.e + 20


def objective(trial, low, high):
    x = trial.suggest_float("x", low, high)
    y = trial.suggest_float("y", low, high)
    return ackley(x, y)


sampler = optuna.samplers.RandomSampler(seed=10)

# Widest search space.
study0 = optuna.create_study(study_name="x=[0,5), y=[0,5)", sampler=sampler)
study0.optimize(lambda t: objective(t, 0, 5), n_trials=500)

# Narrower search space.
study1 = optuna.create_study(study_name="x=[0,4), y=[0,4)", sampler=sampler)
study1.optimize(lambda t: objective(t, 0, 4), n_trials=500)

# Narrowest search space but it doesn't include the global optimum point.
study2 = optuna.create_study(study_name="x=[1,3), y=[1,3)", sampler=sampler)
study2.optimize(lambda t: objective(t, 1, 3), n_trials=500)

optuna.visualization.matplotlib.plot_edf([study0, study1, study2])