scikit-optimize中model_queue_size作用及ask-tell模式设置kappa的问题

1. model_queue_size参数的作用 #

你的测试结论符合该参数的设计逻辑，model_queue_size的核心作用就是限制opt.tell()调用时用来训练代理模型的样本数量。
默认该参数为None，表示调用tell()时会加载所有历史观测样本重新训练代理模型，样本量越大训练耗时就越高。当你设置为固定正整数N后，tell()执行时仅会选取最近N个已提交的观测样本训练模型，不需要处理全量历史数据，因此参数设置越小，tell()的运行速度越快。
需要注意的是如果该参数设置过小，代理模型会丢失早期迭代的样本信息，可能导致优化收敛效果下降，需要根据你的业务场景在运行性能和优化精度之间做权衡。

2. ask-tell模式下设置kappa参数的方法 #

kappa是贝叶斯优化获取函数中控制探索与利用权重的参数，数值越高算法探索未知搜索空间的倾向性越强。
在ask-tell模式下有两种设置方式：

• 全局固定kappa：在初始化Optimizer实例时，通过acq_func_kwargs传入配置即可，后续所有ask()调用默认使用该数值，示例代码：

from skopt import Optimizer

opt = Optimizer(
    dimensions=你的搜索空间定义,
    acq_func="EI", # 对应使用kappa的获取函数
    acq_func_kwargs={"kappa": 2.5}
)

• 单次调用动态调整：在调用ask()时直接传入kappa参数，优先级高于初始化时的全局配置，适合需要根据迭代阶段调整探索力度的场景，示例代码：

# 前20轮迭代侧重探索，kappa设为3.0
if len(opt.Xi) < 20:
    next_eval_point = opt.ask(kappa=3.0)
# 后续迭代侧重利用已有最优结果，kappa设为1.2
else:
    next_eval_point = opt.ask(kappa=1.2)

内容的提问来源于stack exchange，提问作者Mark Sale