python超參數(shù)優(yōu)化的具體方法

第python超參數(shù)優(yōu)化的具體方法1、手動(dòng)調(diào)參，但這種方法依賴于大量的經(jīng)驗(yàn)，而且比較費(fèi)時(shí)。

許多情況下，工程師依靠試錯(cuò)法手工調(diào)整超參數(shù)進(jìn)行優(yōu)化，有經(jīng)驗(yàn)的工程師可以在很大程度上判斷如何設(shè)置超參數(shù)，從而提高模型的準(zhǔn)確性。

2、網(wǎng)格化尋優(yōu)，是最基本的超參數(shù)優(yōu)化方法。

利用這種技術(shù)，我們只需要為所有超參數(shù)的可能性建立一個(gè)獨(dú)立的模型，評(píng)估每個(gè)模型的性能，選擇產(chǎn)生最佳結(jié)果的模型和超參數(shù)。

fromsklearn.datasetsimportload_iris

fromsklearn.svmimportSVC

iris=load_iris()

svc=SVR()

fromsklearn.model_selectionimportGridSearchCV

fromsklearn.svmimportSVR

grid=GridSearchCV(

estimator=SVR(kernel='rbf'),

param_grid={

'C':[0.1,1,100,1000],

'epsilon':[0.0001,0.0005,0.001,0.005,0.01,0.05,0.1,0.5,1,5,10],

'gamma':[0.0001,0.001,0.005,0.1,1,3,5]

cv=5,scoring='neg_mean_squared_error',verbose=0,n_jobs=-1)

3、隨機(jī)尋優(yōu)，可以更準(zhǔn)確地確定某些重要超參數(shù)的最佳值。

并非所有的超參數(shù)都有同樣的重要性，有些超參數(shù)的作用更加明顯。

知識(shí)點(diǎn)擴(kuò)充：

貝葉斯優(yōu)化方法

簡(jiǎn)單地說，貝葉斯優(yōu)化通過基于過去對(duì)目標(biāo)的評(píng)估結(jié)果建立一個(gè)代理函數(shù)（概率模型）找到使得目標(biāo)函數(shù)最小的值。代理函數(shù)比目標(biāo)函數(shù)更易于優(yōu)化，因此下一個(gè)待評(píng)估的輸入值是通過對(duì)代理函數(shù)應(yīng)用某種標(biāo)準(zhǔn)（通常為預(yù)期提升）來選擇的。貝葉斯方法不同于隨機(jī)搜索或網(wǎng)格搜索，后兩者都使用了過去的評(píng)估結(jié)果來選擇接下來待評(píng)估的值。它們的思想是：通過根據(jù)過去表現(xiàn)良好的值選擇下一個(gè)輸入值來限制評(píng)價(jià)目標(biāo)函數(shù)的高昂開銷。

對(duì)于超參數(shù)優(yōu)化來說，其目標(biāo)函數(shù)為使用一組超參數(shù)的機(jī)器學(xué)習(xí)模型的驗(yàn)證誤差。它的目標(biāo)是找出在驗(yàn)證集上產(chǎn)生最小誤差的超參數(shù)，并希望將這些結(jié)果泛化到測(cè)試集上去。對(duì)目標(biāo)函數(shù)評(píng)估的開銷是巨大的，因?yàn)樗枰?xùn)練帶有一組特定超參數(shù)的機(jī)器學(xué)習(xí)模型。理想情況下，我們希望找到這樣一方法，它既能探索搜索空間，又能限制耗時(shí)的超參數(shù)評(píng)估。貝葉斯超參數(shù)調(diào)優(yōu)使用一個(gè)不斷更新的概率模型，通過從過去的結(jié)果中進(jìn)行推理，使搜索過程「專注」于有可能達(dá)到最優(yōu)的超參數(shù)。

Python環(huán)境下有一些貝葉斯優(yōu)化程序庫(kù)，它們目標(biāo)函數(shù)的代理算法有所區(qū)別。在本文中，我們將使用「Hyperopt」庫(kù)，它使用樹形Parzen評(píng)估器（TPE，https://papers.nips.cc/paper/4443-algorithms-for-hyper-parameter-optimization.pdf）作為搜索算法，其他的Python庫(kù)還包含「Spearmint」（高斯過程代理）和「SMAC」（隨即森林回歸）。目前在這個(gè)領(lǐng)域有大量有