plot_edf

optuna.visualization.plot_edf(study, *, target=None, target_name='Objective Value')

スタディの目的関数値 EDF (経験分布関数) をプロットします。

EDF のプロット時には完了したトライアルのみが考慮されます。

Note

EDF は探索空間の分析と改善に有用です。 例えば、論文 Designing Network Design Spaces で EDF の実用的な使用例を確認できます。

Note

プロットされる EDF は、目的関数の値が目的空間上で一様分布していると仮定しています。

Parameters:

• study (Study | Sequence[Study]) – 対象の Study オブジェクト。 複数のスタディを指定すると、それらの EDF を比較できます。

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

  表示する値を指定する関数。None で study が単一目的最適化に使用されている場合、 目的関数値がプロットされます。

  Note

  study が多目的最適化に使用されている場合はこの引数を指定します。

• target_name (str) – 軸ラベルに表示する目的関数の名前。

Returns:

plotly.graph_objects.Figure オブジェクト。

Return type:

Figure

The following code snippet shows how to plot EDF.

import math

import optuna
from plotly.io import show


def ackley(x, y):
    a = 20 * math.exp(-0.2 * math.sqrt(0.5 * (x**2 + y**2)))
    b = math.exp(0.5 * (math.cos(2 * math.pi * x) + math.cos(2 * math.pi * y)))
    return -a - b + math.e + 20


def objective(trial, low, high):
    x = trial.suggest_float("x", low, high)
    y = trial.suggest_float("y", low, high)
    return ackley(x, y)


sampler = optuna.samplers.RandomSampler(seed=10)

# Widest search space.
study0 = optuna.create_study(study_name="x=[0,5), y=[0,5)", sampler=sampler)
study0.optimize(lambda t: objective(t, 0, 5), n_trials=500)

# Narrower search space.
study1 = optuna.create_study(study_name="x=[0,4), y=[0,4)", sampler=sampler)
study1.optimize(lambda t: objective(t, 0, 4), n_trials=500)

# Narrowest search space but it doesn't include the global optimum point.
study2 = optuna.create_study(study_name="x=[1,3), y=[1,3)", sampler=sampler)
study2.optimize(lambda t: objective(t, 1, 3), n_trials=500)

fig = optuna.visualization.plot_edf([study0, study1, study2])
show(fig)