【optuna】将实验结果保存为excel

optuna简介

Optuna 是一个用于自动超参数优化的开源 Python 库。它提供了一个简单且灵活的接口，帮助你在机器学习和深度学习任务中优化算法的超参数。

Optuna 的设计目标是使超参数优化过程更加高效和易用。它采用了一种基于序列化和并行化的策略，允许用户定义自己的目标函数，并在超参数搜索空间中动态地探索参数组合，以找到最佳的超参数配置。

Optuna 的核心概念是 “Study” 和 “Trial”：

• Study（研究）是一个优化过程的最高级别实体。它是一个全局对象，用于管理和跟踪优化过程中的所有试验（Trials）。

• Trial（试验）代表一次超参数配置的评估。在每个试验中，定义了一个目标函数（Objective Function），并通过多次迭代优化过程来找到最佳的超参数配置。

使用 Optuna 进行超参数优化非常简单。你只需要定义一个目标函数，指定超参数的搜索空间，然后调用 Optuna 的优化函数，传入目标函数和其他必要的参数。

要定义目标函数，你可以根据自己的需求来选择。例如，你可以编写一个评估模型性能的函数，根据模型的准确度、损失函数值或其他指标来计算和返回一个数值作为目标函数的结果。

在优化过程中，Optuna 会根据你指定的搜索算法和剪枝策略，逐渐探索超参数空间，并选择具有更好性能的参数配置进行下一次试验。通过多次迭代，Optuna 会自动地在超参数搜索空间中寻找最佳的超参数组合。

Optuna 提供了多种搜索算法和剪枝策略，以满足不同的优化需求。例如，你可以使用随机搜索、网格搜索、TPE（Tree-structured Parzen Estimator）等搜索算法，以及 PBT（Population Based Training）等剪枝策略来加速优化过程。

总的来说，Optuna 是一个方便易用的超参数优化库，适用于各种机器学习和深度学习任务。它的简洁设计和灵活性使得超参数优化变得更加高效和可靠，帮助你更好地调整模型，提升算法性能。

示例代码

import optuna
import pandas as pd

def objective(trial):
    x = trial.suggest_uniform('x', -10, 10)
    y = trial.suggest_uniform('y', -10, 10)
    z = trial.suggest_uniform('z', -10, 10)
    value = x**2 + y**2 + z**2
    #自定义属性值
    trial.set_user_attr('平均值', x+y+z)
    return value

# 创建一个 Optuna 的 Study 对象
study = optuna.create_study()

# 运行 Optuna 的优化过程
study.optimize(objective, n_trials=100)

# 获取所有的试验结果，并保存到一个 DataFrame
results_df = study.trials_dataframe()

# 将试验结果保存到 CSV 文件
results_df.to_csv('experiment_results.csv', index=False)

# 读取 CSV 文件
df = pd.read_csv('experiment_results.csv')

# 将 DataFrame 写入 Excel 文件
df.to_excel('experiment_results.xlsx', index=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

实验优化结果