贝叶斯超参数优化库optuna安装包及依赖库，可利用pip离线安装 实现基于各类算法的贝叶斯优化，代码简洁，灵活性好。

帮助optuna初学者，更快了解optuna框架的结构及使用方法

xfeat ||| 使用GPU和柔性特征工程与探索库。 xfeat提供了类似于sklearn的转换类，用于要素工程和探索。与sklearn API不同，xfeat提供了一个数据帧输入，数据帧输出接口。 xfeat支持和数据帧。通过使用cuDF和 ，xfeat可以比原始的熊猫操作快10到30倍地生成特征。 分组汇总基准（） 目标编码基准（） 文档 Optuna的功能选择 目录中提供了更多示例。 快速开始 xfeat提供了一个数据帧输入，数据帧输出接口： 特征工程 可以使用xfeat.Pipeline顺序连接编码器对象。为避免重复相同的特征提取过程，将结果输出为羽毛文件格式很有用。 提供更多编码器类。 import pandas as pd from xfeat import Pipeline , SelectNumerical , ArithmeticCombinations # 2-o

OptGBM OptGBM（= + ）提供了一种scikit-learn兼容的估算器，可通过Optuna调整LightGBM中的超参数。 例子 import optgbm as lgb from sklearn . datasets import load_boston reg = lgb . LGBMRegressor ( random_state = 0 ) X , y = load_boston ( return_X_y = True ) reg . fit ( X , y ) y_pred = reg . predict ( X , y ) 默认情况下，将搜索以下超参数。 bagging_fraction bagging_freq feature_fractrion lambda_l1 lambda_l2 max_depth min_data_in_leaf

CMA-ES 轻量级协方差矩阵适应进化策略（CMA-ES）[1]的实现。 消息 2021/03/10 在Optuna中型博客上发布。 本文介绍了何时以及如何充分利用CMA-ES采样器。 请检查一下！ 2021/02/02由该库的维护者撰写的论文在AAAI 2021上被接受 :party_popper: 2020/07/29 Optuna的内置CMA-ES采样器在后台使用此库，已在Optuna v2.0中稳定。 请查看。 安装 支持的Python版本是3.6或更高版本。 $ pip install cmaes 或者，您可以通过安装。 $ conda install -c conda-forge cmaes 用法 该库提供了一种“问与答”风格的界面。 import numpy as np from cmaes import CMA def quadratic ( x1 , x2 ): return

Optuna：超参数优化框架 | | | Optuna是自动超参数优化软件框架，专门为机器学习而设计。 它具有命令式，按运行定义样式的用户API。 多亏了我们的按运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 消息 2020-12-02现在支持Python 3.9。 集成模块仍在开发中，并由进行跟踪 2020-09-17 isort已合并，以保持导入声明的一致性。 在CONTRIBUTING.md中了解更多有关它的信息 2020-08-07我们欢迎您的参与并正在努力简化体验。 在博客中阅读有关它的更多信息 主要特征 Optuna具有以下现代功能： 轻巧，通用且与平台无关的架构只需很少的要求的简单安装即可处理各种各样的任务。 Pythonic搜索空间使用熟悉的Python语法（包括条件和循环）定义搜索空间。 高效的优