skopt学习之路1-函数介绍：dummy_minimize

def dummy_minimize(func,dimensions,n_calls=100, x0=None, y0=None, random_state=None, verbose=False, callback=None)
该函数执行：基于给定的范围内通过均匀抽样进行随机搜索

def dump(res, filename, store_objective=True, **kwargs)
该函数执行：将优化结果储存到文件中

def expected_minimum(res, n_random_starts=20, random_state=None)

该函数执行：计算最后一个代理模型预测的最小值

def forest_minimize(func,dimensions, base_estimator='ET', n_calls=100, n_random_starts=10, acq_func='EI', 
　　　　　　　　　　　　x0=None, y0=None, random_state=None, verbose=False, callback=None, n_points=10000, xi=0.01, kappa=1.96, n_jobs=1)

该函数执行：使用决策树进行优化

def gbrt_minimize(func, dimensions, base_estimator=None, n_calls=100, n_random_starts=10, acq_func='EI', acq_optimizer='auto', 
　　　　　　　　　　　　x0=None, y0=None, random_state=None, verbose=False, callback=None, n_points=10000, xi=0.01, kappa=1.96, n_jobs=1)

该函数执行：使用GBT进行优化

def gp_minimize(func, dimensions, base_estimator=None, n_calls=100, n_random_starts=10, acq_func='gp_hedge', acq_optimizer='auto', 
　　　　x0=None, y0=None, random_state=None, verbose=False, callback=None, n_points=10000, n_restarts_optimizer=5, xi=0.01, kappa=1.96, noise='gaussian', n_jobs=1)

该函数执行：使用高斯过程的贝叶斯优化

def load(filename, **kwargs)

该函数执行：从使用skopt.dump持久化的文件中重新构造skopt优化结果