Compare Surrogates

Compare Surrogates ウィジェットは、1つの目的関数に対して全種類のサロゲートモデルを一度に学習します。

Ridge、GP-FITC、GP-VFE、LightGBM、そしてオプションで GP-MOE を学習し、交差検証精度でランク付けします。すべてのモデルベースウィジェットの前に来る問い、「この目的関数にどのサロゲートを信頼すべきか」に答えます。一度実行してよいモデルを読み取り、そのモデルを Surrogate Optimizer、Response Surface 3D、Robustness で使う、という流れになります。

各モデルの詳細はサロゲートモデルを参照してください。

ワークフロー

モデル化する目的関数と、後述の重ね描きプロット用のスライスパラメータを選びます。
必要なら include MoE にチェックを入れて GP-MOE を追加します。最も遅いモデルのため既定ではオフです。比較したいときだけ追加してください。
Compareを押します。すべてのモデルがバックグラウンドで学習されます（他のサロゲートウィジェットと同じ「10トライアル以上」要件が適用されます）。

交差検証メトリクス表

モデルは交差検証 R²の高い順に並びます。フィットに失敗したモデルはエラーとともに末尾へ回ります。最良のモデルには ✓ が付きます。

列	意味
CV R² (±std)	交差検証 R² とそのばらつき。過学習に強い、主要なスコア
Holdout R²	ホールドアウト分割での R²
Holdout RMSE	ホールドアウト分割での二乗平均平方根誤差（目的関数の単位）
Train R²	学習データでの R²

まず CV R² を見てください。 Train R² が高いのに CV R²が低いのは過学習の兆候です。モデルは trial を汎化していません。 Holdout RMSE は目的関数そのものの単位を持つ唯一の値で、その誤差が実務上問題になる大きさかを判断するのに役立ちます。