mlrMBO：面向昂贵黑盒函数的基于模型优化的模块化框架
机器学习
2018-12-04 v3
摘要
我们提出了 mlrMBO，一个灵活且全面的 R 工具箱，用于基于模型的优化（MBO，也称贝叶斯优化），它通过代理回归模型逼近给定的目标函数来解决昂贵的黑盒优化问题。它专为具有混合连续、类别和条件参数的单目标和多目标优化而设计。附加功能包括多点批量提议、并行化、可视化、日志记录和错误处理。mlrMBO 以模块化方式实现，使得单一组件可以由用户针对特定用例轻松替换或调整，例如，可以使用 mlr 机器学习工具箱中的任何回归学习器，且填充准则和填充优化器易于交换。我们通过在不同的基准测试场景下将其与多种其他优化器（包括 DiceOptim、rBayesianOptimization、SPOT、SMAC、Spearmint 和 Hyperopt）进行比较，凭经验证明 mlrMBO 提供了 SOTA 的性能。
引用
@article{arxiv.1703.03373,
title = {mlrMBO: A Modular Framework for Model-Based Optimization of Expensive Black-Box Functions},
author = {Bernd Bischl and Jakob Richter and Jakob Bossek and Daniel Horn and Janek Thomas and Michel Lang},
journal= {arXiv preprint arXiv:1703.03373},
year = {2018}
}
备注
23 pages, 5 figures