工具要集合 7 种超参数优化方法，和 8 种模型。
功能要求：
1. 可以自动进行模型构筑和学习，并获取 mse 指标。
2. 所有的模型和优化方法运行后，自动按照 mse 进行排列（显示那种模型，并使用了那种优化方法）。
3. 每种模型构筑的时候都自动保存模型，并记录实验数据。
4. 显示整体进行进度，并逐步输出结果记录（使用 logging）。
系统部署要求:
部署在AWS上面，可以使用GPU提速训练NN神经网络模型
可以使用jupyter导入本程序【模型自动训练模块】，加入简单的代码就可以完成整个测试和数据图表输出
未来加入功能
加入深度学习模型，可以使用AWS的GPU来加速训练，并获得更高的精度
├── Figure_1.png
├── Figure_2.png
├── Figure_3.png
├── README.md
├── documents
├── log
├── model_and_record
│ ├── BO-GP
│ │ ├── ANN
│ │ │ └── ANN
│ │ │ ├── assets
│ │ │ ├── saved_model.pb
│ │ │ └── variables
│ │ │ ├── variables.data-00000-of-00001
│ │ │ └── variables.index
│ │ ├── KNN
│ │ │ └── KNN.pkl
│ │ ├── RandomForestRegressor
│ │ │ └── RandomForestRegressor.pkl
│ │ ├── SVR
│ │ │ └── SVR.pkl
│ │ └── bo_score_df.pkl
│ ├── BO-TPE
│ │ ├── ANN
│ │ │ └── ANN
│ │ │ ├── assets
│ │ │ ├── saved_model.pb
│ │ │ └── variables
│ │ │ ├── variables.data-00000-of-00001
│ │ │ └── variables.index
│ │ ├── BO_TPE_score_df.pkl
│ │ ├── KNN
│ │ │ └── KNN.pkl
│ │ ├── NGBoost
│ │ │ └── NGBoost.pkl
│ │ ├── RandomForestRegressor
│ │ │ └── RandomForestRegressor.pkl
│ │ └── SVR
│ │ └── SVR.pkl
│ ├── Optuna
│ │ ├── ANN
│ │ │ └── ANN
│ │ │ ├── assets
│ │ │ ├── saved_model.pb
│ │ │ └── variables
│ │ │ ├── variables.data-00000-of-00001
│ │ │ └── variables.index
│ │ ├── GradientBoostingRegressor
│ │ │ └── GradientBoostingRegressor.pkl
│ │ ├── KNN
│ │ │ └── KNN.pkl
│ │ ├── Optuna_score_df.pkl
│ │ ├── RandomForestRegressor
│ │ │ └── RandomForestRegressor.pkl
│ │ └── SVR
│ │ └── SVR.pkl
│ ├── all_result.csv
│ ├── all_result.pkl
│ ├── baseline
│ │ ├── ann
│ │ │ └── ann.pkl
│ │ ├── base_score_df.pkl
│ │ ├── knn
│ │ │ └── knn.pkl
│ │ ├── randomforest
│ │ │ └── randomforest.pkl
│ │ └── svr
│ │ └── svr.pkl
│ ├── gp_minimize
│ │ ├── KNN
│ │ │ └── KNN.pkl
│ │ ├── RandomForestRegressor
│ │ │ └── RandomForestRegressor.pkl
│ │ ├── SVR
│ │ │ └── SVR.pkl
│ │ └── gp_minimize_score_df.pkl
│ ├── grid_search
│ │ ├── ANN
│ │ │ └── ANN
│ │ │ ├── assets
│ │ │ ├── saved_model.pb
│ │ │ └── variables
│ │ │ ├── variables.data-00000-of-00001
│ │ │ └── variables.index
│ │ ├── KNN
│ │ │ └── KNN.pkl
│ │ ├── RandomForestRegressor
│ │ │ └── RandomForestRegressor.pkl
│ │ ├── SVR
│ │ │ └── SVR.pkl
│ │ └── gridsearch_score_df.pkl
│ └── random_search
│ ├── ANN
│ │ └── ANN
│ │ ├── assets
│ │ ├── saved_model.pb
│ │ └── variables
│ │ ├── variables.data-00000-of-00001
│ │ └── variables.index
│ ├── KNN
│ │ └── KNN.pkl
│ ├── RandomForestRegressor
│ │ └── RandomForestRegressor.pkl
│ ├── SVR
│ │ └── SVR.pkl
│ └── randomsearch_score_df.pkl
├── models_MSE_sort.png
├── models_MSE_sort_1.png
├── models_MSE_summary.png
├── requirements.txt
├── src
│ ├── ANN_model.py
│ ├── baseline.py
│ ├── basic_config.py
│ ├── bo_gp.py
│ ├── bo_tpe.py
│ ├── common
│ │ ├── collection_result_process.py
│ │ ├── get_logger_instance.py
│ │ ├── msyh.ttc
│ │ └── save_model_and_result_record.py
│ ├── gp_minimize.py
│ ├── grid_search.py
│ ├── hyper_optimize_main_process.py
│ ├── optuna_optimizer.py
│ └── random_search.py
├── 结论.txt
└── 要件定義
└── 機能仕様書.xlsx