软件包概览#

SMAC 帮助您确定算法的高性能超参数配置。作为一个强大而灵活的贝叶斯优化框架，SMAC 可以在几次函数评估内提升性能。它为典型用例提供了多个入口点和预设，例如优化超参数、解决低维连续（人工）全局优化问题，以及配置算法以在多个问题实例上表现良好。

特性#

SMAC 具有以下特性和能力

贝叶斯优化用于样本高效的优化。

优化只关注输入和输出。它与函数内部实现无关。

使用分类、连续、分层和/或条件超参数以及良好集成的 ConfigurationSpace。SMAC 可以高效地优化多达 100 个超参数。

可以针对任何目标进行优化（例如，准确率、运行时间、交叉验证等）。

使用标量化多目标算法优化任意数量的目标。支持 ParEGO [Know06] 和平均聚合策略。

在多个预算下评估配置，以便尽早放弃不合适的配置。根据预算的不同，这将带来巨大的加速。

不仅能为一个算法的单个实例（例如数据集）找到高性能的超参数配置，还能为多个实例找到。

SMAC 不仅可以在 Python 文件中执行，也可以从命令行执行。因此，不仅可以优化 Python 中的算法，还可以优化其他语言的实现。

注意

v2.0 版本中已暂时禁用命令行界面。如果需要使用，请回退到 v1.4。

下表概述了 SMAC 与其他优化工具的功能对比。

软件包	复杂超参数空间	多目标	多保真度	实例	命令行界面	并行化
HyperMapper	✅	✅	❌	❌	❌	❌
Optuna	✅	✅	✅	❌	✅	✅
Hyperopt	✅	❌	❌	❌	✅	✅
BoTorch	❌	✅	✅	❌	❌	✅
OpenBox	✅	✅	❌	❌	❌	✅
HpBandSter	✅	❌	✅	❌	❌	✅
SMAC	✅	✅	✅	✅	✅	✅