调用gp_minimize函数遇TypeError：predict()获意外参数'return_mean_grad'

问题描述 #

调用gp_minimize时触发错误：

TypeError: predict() got an unexpected keyword argument 'return_mean_grad'

当前使用的库版本：

• scikit-optimize 0.9.0
• scikit-learn 1.2.0

示例代码：

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern
from skopt import gp_minimize

# 定义高斯过程核函数
kernel = Matern(nu=2.5)

# 初始化高斯过程回归器
gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=10)

# 定义目标函数
def f(x):
    x1, x2, x3 = x
    return -x1**2 - x2**2 - x3**2

# 定义变量范围
bounds = [(0, 1), (0, 1), (0, 1)]

# 执行优化
res = gp_minimize(f, bounds, n_calls=20, random_state=0, verbose=True, n_random_starts=10, acq_func="EI", base_estimator=gpr)

# 打印最优结果
print("x1 = {:.4f}, x2 = {:.4f}, x3 = {:.4f}, f(x) = {:.4f}".format(res.x[0], res.x[1], res.x[2], res.fun))

问题原因 #

scikit-learn 1.2.0 对GaussianProcessRegressor的predict方法进行了更新，移除了return_mean_grad参数；但scikit-optimize 0.9.0的代码逻辑中仍在调用该参数，导致版本兼容冲突。

解决方法 #

方法1：降级scikit-learn版本 #

将scikit-learn降级到1.1.x系列（如1.1.3），该版本的predict方法仍保留return_mean_grad参数，可与scikit-optimize 0.9.0兼容：

pip install scikit-learn==1.1.3

方法2：升级scikit-optimize到兼容版本 #

scikit-optimize 0.10.0及以上版本已修复该兼容问题，直接升级到最新稳定版即可：

pip install --upgrade scikit-optimize

方法3：不自定义base_estimator #

若无需自定义高斯过程回归器，可直接使用gp_minimize内置的默认估计器，它会自动适配当前scikit-learn版本。修改代码时移除base_estimator=gpr参数：

res = gp_minimize(f, bounds, n_calls=20, random_state=0, verbose=True, n_random_starts=10, acq_func="EI")

内容的提问来源于stack exchange，提问作者Evan Camilleri