GPyOpt 的 "First Step" 示例是否应该找到最小值？
Should "First Step" example of GPyOpt find minimum?
"First Step" page from GPyOpt 显示漂亮的图像，看起来像最小值，由上面的代码找到
不幸的是，当我 运行 完全相同的代码时，我得到
或
即垂直线很少达到最小值。
这是我的误会，还是图书馆没有用？
需要说明的是，红色函数代表的不是最小值的可能性，而是在下一次采集中获得有价值信息的可能性。而"value"如何分配给信息取决于一个人采用的获取策略。
我的猜测是，他们的情节是根据使用 acquisition_type='MPI'（最大改进概率）的 运行 生成的，这可以解释为什么收购似乎积极地专注于在该地区进行搜索怀疑的最小值。也许这曾经是 API 生成这些文档时的默认值。
目前，默认值为 acquisition_type='EI'（预期改进），在关注最小区域之前，它会更加小心地排除信息较少的区域。因此，您会看到针对具有较大不确定性范围的位置的收购，这是完全合理的。
最后，推断函数仍应产生几乎相同的最佳函数参数预测。预测的最优值是通过
获得的
myBopt.x_opt
"First Step" page from GPyOpt 显示漂亮的图像，看起来像最小值，由上面的代码找到
不幸的是，当我 运行 完全相同的代码时，我得到
或
即垂直线很少达到最小值。
这是我的误会，还是图书馆没有用？
需要说明的是，红色函数代表的不是最小值的可能性，而是在下一次采集中获得有价值信息的可能性。而"value"如何分配给信息取决于一个人采用的获取策略。
我的猜测是，他们的情节是根据使用 acquisition_type='MPI'（最大改进概率）的 运行 生成的，这可以解释为什么收购似乎积极地专注于在该地区进行搜索怀疑的最小值。也许这曾经是 API 生成这些文档时的默认值。
目前，默认值为 acquisition_type='EI'（预期改进），在关注最小区域之前，它会更加小心地排除信息较少的区域。因此，您会看到针对具有较大不确定性范围的位置的收购，这是完全合理的。
最后，推断函数仍应产生几乎相同的最佳函数参数预测。预测的最优值是通过
获得的myBopt.x_opt