GPyOpt求最优X的成本方差

Question

我使用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)

在这样做之后，我得到了与opt.x_opt的最优协调，以及使用opt.fx_opt的模型成本。然而，我也对fx在这个最佳位置的变化感兴趣。我怎样才能做到这一点？

Answer 1

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)，我自己解决了这个问题。然而，我认为这些结果是在一些标准化和偏移的坐标空间中进行的，需要对预期的结果进行线性变换，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))