plot_optimization_history

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

使用 Matplotlib 绘制 study 中所有 trial 的优化历史记录。

另请参阅

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

参数:

• study (Study | Sequence[Study]) – 一个 Study 对象，将绘制其 trial 的目标值。您可以传递多个 study 以比较它们的优化历史。

• 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) – 将显示在轴标签和图例中的目标名称。

• error_bar (bool) – 显示误差线的标志。

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。

以下代码片段展示了如何绘制优化历史记录。

/home/docs/checkouts/readthedocs.org/user_builds/optuna/checkouts/stable/docs/visualization_matplotlib_examples/optuna.visualization.matplotlib.optimization_history.py:24: ExperimentalWarning:

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


<Axes: title={'center': 'Optimization History Plot'}, xlabel='Trial', ylabel='Objective Value'>

import optuna

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)