python - 如何针对 Optuna 中的多个指标进行优化

Question

如何在objectiveOptuna 的功能内同时优化多个指标。例如，我正在训练一个 LGBM 分类器，并希望为所有常见分类指标（如 F1、精度、召回率、准确率、AUC 等）找到最佳超参数集。

def objective(trial):
    # Train
    gbm = lgb.train(param, dtrain)

    preds = gbm.predict(X_test)
    pred_labels = np.rint(preds)
    # Calculate metrics
    accuracy = sklearn.metrics.accuracy_score(y_test, pred_labels)
    recall = metrics.recall_score(pred_labels, y_test)
    precision = metrics.precision_score(pred_labels, y_test)
    f1 = metrics.f1_score(pred_labels, y_test, pos_label=1)

    ...

我该怎么做？

Answer 1

在定义网格并使用这些参数拟合模型并生成预测后，计算您要优化的所有指标：

def objective(trial):
    param_grid = {"n_estimators": trial.suggest_int("n_estimators", 2000, 10000, step=200}
    clf = lgbm.LGBMClassifier(objective='binary', **param_grid)
    clf.fit(X_train, y_train)
    preds = clf.predict(X_valid)
    probs = clf.predict_proba(X_valid)
 
    # Metrics
    f1 = sklearn.metrics.f1_score(y_valid, press)
    accuracy = ...
    precision = ...
    recall = ...
    logloss = 

并按您想要的顺序返回它们：

def objective(trial):
    ...

    return f1, logloss, accuracy, precision, recall

然后，在研究对象中，指定是否要最小化或最大化每个指标，directions如下所示：

study = optuna.create_study(directions=['maximize', 'minimize', 'maximize', 'maximize', 'maximize'])

study.optimize(objective, n_trials=100)

有关更多详细信息，请参阅文档中的使用 Optuna 进行多目标优化。