optuna.terminator.Terminator

class optuna.terminator.Terminator(improvement_evaluator=None, error_evaluator=None, min_n_trials=20)

Optuna 研究的自动停止机制。

此类实现了一个Optuna研究的自动停止机制，旨在防止不必要的计算。当统计误差（例如交叉验证误差）超过剩余的优化空间时，研究将被终止。

关于该算法的更多信息，请参阅以下论文：

• A. Makarova 等人。超参数优化的自动终止。

参数:

• improvement_evaluator (BaseImprovementEvaluator | None) – 用于评估优化空间的评估器对象。默认为一个 RegretBoundEvaluator 对象。

• error_evaluator (BaseErrorEvaluator | None) – 用于计算统计误差的评估器，例如交叉验证误差。默认为 CrossValidationErrorEvaluator 对象。

• min_n_trials (int) – 在考虑终止之前的最小试验次数。默认为 20。

抛出:

ValueError – 如果 min_n_trials 不是正整数。

示例

import logging
import sys

from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold

import optuna
from optuna.terminator import Terminator
from optuna.terminator import report_cross_validation_scores


study = optuna.create_study(direction="maximize")
terminator = Terminator()
min_n_trials = 20

while True:
    trial = study.ask()

    X, y = load_wine(return_X_y=True)

    clf = RandomForestClassifier(
        max_depth=trial.suggest_int("max_depth", 2, 32),
        min_samples_split=trial.suggest_float("min_samples_split", 0, 1),
        criterion=trial.suggest_categorical("criterion", ("gini", "entropy")),
    )

    scores = cross_val_score(clf, X, y, cv=KFold(n_splits=5, shuffle=True))
    report_cross_validation_scores(trial, scores)

    value = scores.mean()
    logging.info(f"Trial #{trial.number} finished with value {value}.")
    study.tell(trial, value)

    if trial.number > min_n_trials and terminator.should_terminate(study):
        logging.info("Terminated by Optuna Terminator!")
        break

参见

请参考 TerminatorCallback 以了解如何将终止机制与 optimize() 方法一起使用。

备注

作为实验性功能添加于 v3.2.0。接口可能会在新版本中发生变化，恕不另行通知。参见 https://github.com/optuna/optuna/releases/tag/v3.2.0。

方法

should_terminate(study)

根据报告的数值判断研究是否应终止。

should_terminate(study)

根据报告的数值判断研究是否应终止。

参数:

study (Study)

返回类型:

bool