MRBS

Model-based Response surface optimization with Bootstrap Sampling

部分的なデータをXGBoostで補完し、勾配上昇法とクラスタリングで最適点を探索するPythonライブラリです。

特徴

• XGBoost補完: 部分的なサンプリングデータから曲面を補完
• 勾配上昇法: 近傍線形回帰による局所勾配推定で最適点を探索
• クラスタリング: 複数の探索パスの終点をK-Meansでクラスタリングし、最適点候補を算出

インストール

pip install mrbs

開発版のインストール:

git clone https://github.com/yutotakagi/MRBS.git
cd MRBS
pip install -e ".[dev]"

クイックスタート

import numpy as np
import pandas as pd
from mrbs import SurfaceInterpolator, GradientAscentOptimizer, OptimalPointFinder
from mrbs.visualization import plot_optimization_result

# 1. データ読み込み・補完
df = pd.read_csv("data/sphere_sampled_benchmark_xy_F.csv")
X = df[["x", "y"]].values
y = df["F"].values

interpolator = SurfaceInterpolator(n_estimators=300)
interpolator.fit(X, y)
xx, yy, F_grid = interpolator.generate_grid(n_grid=100)

# 2. 勾配上昇パス計算
optimizer = GradientAscentOptimizer(interpolator, n_steps=10, radius=10)
start_points = np.random.uniform(-100, 100, size=(20, 2))
paths = optimizer.compute_paths(start_points)

# 3. クラスタリング・最適点算出
finder = OptimalPointFinder(k_min=1, k_max=5)
result = finder.find_optimal_points(paths)

# 4. 結果表示
print("最適点候補:")
for i, centroid in enumerate(result.centroids):
    print(f"  Point {i+1}: x={centroid[0]:.4f}, y={centroid[1]:.4f}")

# 5. 可視化
plot_optimization_result(xx, yy, F_grid, result)

モジュール構成

依存パッケージ

• Python >= 3.9
• numpy >= 1.20
• pandas >= 1.3
• xgboost >= 1.5
• scikit-learn >= 1.0
• matplotlib >= 3.4

コントリビューション

コントリビューションを歓迎します！詳細は CONTRIBUTING.md をご覧ください。

このプロジェクトは Contributor Covenant に基づく行動規範を採用しています。

ライセンス

MIT License

関連リンク

• PyPI
• GitHub Repository
• Issue Tracker