Question

我刚刚开始使用GPy和GPyOpt。我的目的是设计一个迭代过程，以找到x在y最大的位置。虚拟x数组的范围为0到100，步长为0.5。虚拟y数组是x数组的功能。真正的函数是y = -x ** 2 + 50 * x + 5，因此ymax是x = 25.0时。

我通过将5个点随机分配给x数组（具有对应的5个y值）来启动它，然后运行贝叶斯优化以让其推荐下一个采样位置。我可以使用方便的myBopt.plot_acquistion（）生成图。一个示例图如下。

问题：

（1）类高斯峰和垂直线是什么意思？他们有什么建议？我认为高斯峰的中心是建议的下一个采样位置，对吗？

（2）如何获取高斯峰的中心位置？我试图从myBopt中打印出很多东西，但是找不到任何地方（如果我想出如何得到这个数字，我可以将其附加到原始列表中以开始另一个BO并找到下一个位置，直到收敛）。

（3）有什么方法可以检索原始数据以绘制采集函数图？这必须保存在某个地方。

（4）我还生成了收敛图（在采集图下），我真的不太了解它。有人可以对我解释一下吗？

谢谢。

import GPyOpt
import GPy
from numpy.random import seed
import numpy as np
import matplotlib.pyplot as plt
import random

N = 5
x_array = np.arange(0,100,0.5)
x_random = np.array(sorted(random.sample(x_array, N)))
y_random = (-x_random**2 + 50*x_random + 5) # y = -x**2 + 50*x  + 5

## x_feed and y_feed are the matrices that will be fed into Bayesian Optimization
x_feed = x_random[:, None] # (200, 1)
y_feed = y_random[:, None] # (200, 1)

##creat the objective function
class max_number(object):
    def __init__(self, x_feed, y_feed):
        self.x_feed = x_feed
        self.y_feed = y_feed

    def f(self, x):
        return np.dot(1.0*(x_feed == x).sum(axis = 1), y_feed)[:, None]


func = max_number(x_feed, y_feed)
domain = [{'name' : 'guess_number',
          'type' :  'bandit',
          'domain': x_feed}]

seed(123)
myBopt = GPyOpt.methods.BayesianOptimization(f = func.f,
                                             domain = domain,
                                             acquisition_type = 'EI',
                                             maximize = True,
                                             exact_feval = False,
                                             initial_design_numdata = 5,
                                             verbosity = True)

max_iter = 50
myBopt.run_optimization(max_iter)

myBopt.plot_acquisition()

print 'x random initial points {}'.format(x_random)
print 'y random initial points {}'.format(y_random)
print 'myBopt.X {}'.format(myBopt.X)
print 'myBopt.x_opt {}'.format(myBopt.x_opt)
print 'myBopt.Y {}'.format(myBopt.Y)
print 'myBopt.Y_best {}'.format(myBopt.Y_best)
print 'myBopt.Y_new {}'.format(myBopt.Y_new)
print 'myBopt.suggest_next_locations {}'.format(myBopt.suggest_next_locations())

Answer 1

几个问题。对于未来的建议，每个问题都有一个帖子，这样更适合SO的格式。但是现在：

垂直红线表示采集功能建议在其上运行该功能的最后一点。钟形曲线是整个采集功能图的一部分（注意，红线延伸到整个y = 0线）-它只是绘制采集功能图，因此您可以直观地了解最有可能建议的位置下一点。
您需要自己对采集功能进行优化。或者，您可以使用BO.suggest_next_locations。结帐教程笔记本，其中有一个例子。
我建议您仔细阅读plot_acquisition的源代码，这很清楚使用了哪些数据以及如何访问它们。
我认为这些情节具有非常自我描述的标题。左侧的图显示了两次连续调用目标函数之间的距离。随着时间的流逝，您会期望它会缩小，因为优化会找到最佳选择。右侧的图显示了到目前为止找到的y的最佳值。随着时间的流逝，您会希望它会变平。

GPyOpt迭代找到最大目标函数值；检索建议的下一个位置

1 个答案: