plot_optimization_history

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

使用 Matplotlib 绘制研究中所有试验的优化历史。

另请参阅

请参考 optuna.visualization.plot_optimization_history() 获取示例。

注意

您需要使用 plt.tight_layout() 或 plt.savefig(IMAGE_NAME, bbox_inches='tight') 自行调整图的大小。

参数:

• study (Study | Sequence[Study]) – 一个 Study 对象，其试验的目标值将被绘制。如果要比较多个研究的优化历史，可以传递多个 Study 对象。

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

  一个函数，用于指定要显示的值。如果为 None 且 study 用于单目标优化，则绘制目标值。

  注意

  如果 study 用于多目标优化，请指定此参数。

• target_name (str) – 要显示在坐标轴标签和图例上的目标名称。

• error_bar (bool) – 一个标志，用于显示误差条。

返回:

一个 matplotlib.axes.Axes 对象。

返回类型:

Axes

注意

作为实验性功能在 v2.2.0 中添加。接口在更新版本中可能会更改，恕不另行通知。参见 https://github.com/optuna/optuna/releases/tag/v2.2.0。

以下代码片段展示了如何绘制优化历史。

/home/docs/checkouts/readthedocs.org/user_builds/optuna/checkouts/stable/docs/visualization_matplotlib_examples/optuna.visualization.matplotlib.optimization_history.py:26: ExperimentalWarning:

plot_optimization_history is experimental (supported from v2.2.0). The interface can change in the future.

import optuna
import matplotlib.pyplot as plt


def objective(trial):
    x = trial.suggest_float("x", -100, 100)
    y = trial.suggest_categorical("y", [-1, 0, 1])
    return x**2 + y


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

optuna.visualization.matplotlib.plot_optimization_history(study)
plt.tight_layout()