贝叶斯优化是一种寻找最优解的方法，在机器学习和优化领域中被广泛应用。Python提供了多个库以实现贝叶斯优化，其中最常用的是BayesianOptimization库。

from bayes_opt import BayesianOptimization
def target_function(x, y):
return x**2 + (y - 0.5)**2
# 定义搜索空间
pbounds = {'x': (-5, 5), 'y': (-2, 2)}
# 初始化贝叶斯优化器并进行优化
optimizer = BayesianOptimization(
f=target_function,
pbounds=pbounds,
random_state=1,
)
optimizer.maximize(n_iter=10)

上述代码中，我们定义了待优化的目标函数target_function，其中x和y是输入参数，函数返回值即我们的目标值。在定义函数后，我们需要定义搜索空间pbounds，即每个参数的取值范围。在初始化BayesianOptimization类后，我们可以通过maximize()方法指定优化迭代次数。优化结束后，我们可以通过访问optimizer.max属性获取最优输入参数及对应的目标值。

贝叶斯优化的优点是能够加速参数搜索过程，特别是对于复杂的目标函数。此外，该方法也适用于对目标函数没有梯度信息的情况。