plot_pareto_front

optuna.visualization.matplotlib.plot_pareto_front(study, *, target_names=None, include_dominated_trials=True, axis_order=None, constraints_func=None, targets=None)

绘制研究（study）的帕累托前沿（Pareto front）。

另请参阅

有关示例，请参阅 optuna.visualization.plot_pareto_front()。

参数:

• study (Study) – 一个 Study 对象，其 trial 将被绘制以显示其目标值。当 targets 为 None 时，study.n_objectives 必须是 2 或 3。

• target_names (list[str] | None) – 用作轴标题的目标名称列表。如果指定 None，则改用“Objective {objective_index}”。如果为不包含任何已完成 trial 的 study 指定了 targets，则必须指定 target_name。

• include_dominated_trials (bool) – 一个包含所有被支配 trial（dominated trial）的目标值的标志。

• axis_order (list[int] | None) –

  指定轴顺序的索引列表。如果指定 None，则使用默认顺序。axis_order 和 targets 不能同时使用。

  警告

  在 v3.0.0 中已弃用。此功能将在未来版本中移除。此功能当前的移除计划是 v5.0.0，但此计划可能会更改。请参阅 https://github.com/optuna/optuna/releases/tag/v3.0.0。

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

  一个可选函数，用于计算目标约束。它必须接受一个 FrozenTrial 并返回约束。返回值必须是 float 的序列。严格大于 0 的值表示约束被违反。等于或小于 0 的值被认为是可行的。此规范与 NSGAIISampler 等中的规范相同。

  如果提供了该参数，则 trial 将被分为三类：可行且最优、可行但不最优、不可行。这些类别将以不同的颜色显示。在这里，一个 trial 是否最优（在帕累托前沿上）是忽略所有不可行 trial 来确定的。

  警告

  在 v4.0.0 中已弃用。此功能将在未来版本中移除。此功能当前的移除计划是 v6.0.0，但此计划可能会更改。请参阅 https://github.com/optuna/optuna/releases/tag/v4.0.0。

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

  一个返回要显示的 target 值元组的函数。此函数的参数是 FrozenTrial。targets 必须是 None 或返回 2 或 3 个值。axis_order 和 targets 不能同时使用。如果目标数量既不是 2 也不是 3，则必须指定 targets。

  注意

  在 v3.0.0 中作为实验性功能添加。接口在后续版本中可能在没有事先通知的情况下发生更改。请参阅 https://github.com/optuna/optuna/releases/tag/v3.0.0。

返回:

一个 matplotlib.axes.Axes 对象。

返回类型:

Axes

注意

在 v2.8.0 中作为实验性功能添加。接口在后续版本中可能在没有事先通知的情况下发生更改。请参阅 https://github.com/optuna/optuna/releases/tag/v2.8.0。

以下代码片段展示了如何绘制 study 的帕累托前沿。

/home/docs/checkouts/readthedocs.org/user_builds/optuna/checkouts/stable/docs/visualization_matplotlib_examples/optuna.visualization.matplotlib.pareto_front.py:27: ExperimentalWarning:

optuna.visualization.matplotlib._pareto_front.plot_pareto_front is experimental (supported from v2.8.0). The interface can change in the future.


<Axes: title={'center': 'Pareto-front Plot'}, xlabel='Objective 0', ylabel='Objective 1'>

import optuna


def objective(trial):
    x = trial.suggest_float("x", 0, 5)
    y = trial.suggest_float("y", 0, 3)

    v0 = 4 * x**2 + 4 * y**2
    v1 = (x - 5) ** 2 + (y - 5) ** 2
    return v0, v1


study = optuna.create_study(directions=["minimize", "minimize"])
study.optimize(objective, n_trials=50)

optuna.visualization.matplotlib.plot_pareto_front(study)