如何可视化gp_minimize的两个参数的热图矩阵

在Optuna中，`gp_minimize` 是一个用于基于 Gaussian Process (GP) 进行超参数优化的功能。如果你想要可视化 GP 超参数搜索过程中的两个参数的热图矩阵，可以先记录下每个试验的超参数值及其目标函数值，然后使用 Python 中的数据可视化库，比如 `seaborn` 或 `plotly`。

以下是一个基本的示例，假设你已经有一个 Optuna 贮存的研究实例 `study`，并且你知道想要可视化的两个参数名分别为 `'param1'` 和 `'param2'`：

import optuna
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 假设你已经有了一个研究实例 study
study_trials = [t.params for t in study.trials]

# 将数据整理成 DataFrame
data = {'param1': [trial['param1'] for trial in study_trials],
        'param2': [trial['param2'] for trial in study_trials],
        'target_value': [t.value for t in study_trials]}
df = pd.DataFrame(data)

# 创建热力图
sns.heatmap(df.pivot('param1', 'param2', 'target_value'), annot=True, cmap='coolwarm')  # 使用 'coolwarm' 替换 'hot' 根据需要调整颜色映射
plt.xlabel('Parameter 1')
plt.ylabel('Parameter 2')
plt.title('Heatmap of Target Values for Param1 and Param2')
plt.show()

这将展示一个二维热图，其中颜色深浅表示目标函数值的大小。颜色越暖色调（红、橙），表示目标函数值越高；颜色越冷色调（蓝、绿），表示目标函数值越低。