GPyOpt 获得最优 X 的成本方差

Question

我已经使用 GPyOpt 优化了一个多维模型

opt = BayesianOptimization(f=my_eval_func, domain=domain, constraints=constraints)
opt.run_optimization(max_iter=20)

这样做之后，我用 opt.x_opt 检索了最佳坐标，用 opt.fx_opt 检索了模型成本。但是，我也对这个最佳位置的 fx 的方差感兴趣。我该如何实现？

Answer 1

我通过将内部 GP 模型应用于优化的 x_opt 变量，即 m.model.predict(m.x_opt)，自己解决了这个问题。但是，我认为结果是在一些归一化和偏移坐标 space 中，需要对预期结果进行线性变换，例如：

def get_opt_est(m):
    X = []
    pred_X = []
    for x,y in zip(m.X, m.Y):
        X.append(y[0])
        pred_X.append(m.model.predict(x)[0][0])
    scale = (np.max(X) - np.min(X))/(np.max(pred_X) - np.min(pred_X))
    offset = np.min(X) - np.min(pred_X)*scale
    pred = m.model.predict(m.x_opt)
    return(pred[0][0]*scale+offset,pred[1][0]*scale)

print("Predicted loss and variance is",get_opt_est(opt))

GPyOpt 获得最优 X 的成本方差

GPyOpt get cost variance for optimum X

gpyopt