python机器学习手写算法系列——贝叶斯优化 Bayesian Optimization

Bayesian Optimization 贝叶斯优化在无需求导的情况下，求一个黑盒函数的全局最优解的一系列设计策略。（Wikipedia）

最优解问题

最简单的，获得最优解的方法，就是网格搜索Grid Search了。

如果网格搜索开销稍微有点大，可以尝试随机搜索Random Search。

如果是凸函数Convex Function，我们可以用Gradient Descent。大量的机器学习算法，都用了这个。如线性回归，逻辑回归等。

如果，这个黑盒函数的开销非常大，又不是凸函数，我们则考虑贝叶斯优化。

贝叶斯优化概念

贝叶斯优化我们把这个黑盒函数叫做目标函数Objective Function。因为目标函数的开销大，我们要给他找一个近似函数，这个函数叫代理函数Surrogate Function。代理函数会计算出一条平均值曲线和对应的标准差（Standard Deviation）。有个代理函数，我们就可以找到一下个探索点。这个过程，用一个获取函数Acquisition Function里实现。

贝叶斯优化，是在一个特定的搜索空间search space展开的。

整个过程如下：

1. 在搜索空间中，选几个初始点X
2. 用目标函数计算初始点X对应的解y
3. 更新代理函数
4. 通过acquisition function获得下一个样本点。
5. Goto 2

中英文流程图如下：

代理函数，一般就是用Gussian Process。

Acquisition Function的选择比较多。常见的有：

1. Probability of Improvement (PI).
2. Expected Improvement (EI).
3. Upper/Lower Confidence Bound (LCB/UCB).

这里我们用 UCB.

a u c b ( x ; β ) = μ ( x ) + β σ ( x ) a_{ucb}(x;\beta) =\mu(x) &#