作者：Sivasai Yadav Mudugandla

編譯：ronghuaiyang

導讀

ML工作流中最困難的部分之一是為模型找到最好的超參數。ML模型的性能與超參數直接相關。

介紹

維基百科上說，“Hyperparameter optimization或tuning是為學習算法選擇一組最優的hyperparameters的問題”。

ML工作流中最困難的部分之一是為模型找到最好的超參數。ML模型的性能與超參數直接相關。超參數調優的越好，得到的模型就越好。調優超參數可能是非常乏味和困難的，更像是一門藝術而不是科學。

超參數

超參數是在建立模型時用于控制算法行為的參數。這些參數不能從常規訓練過程中獲得。在對模型進行訓練之前，需要對它們進行賦值。

超參數的簡單列表

內容

傳統的手工調參
網格搜索
隨機搜索
貝葉斯搜索

1. 傳統手工搜索

在傳統的調參過程中，我們通過訓練算法手動檢查隨機超參數集，并選擇符合我們目標的最佳參數集。

我們看看代碼：

#importing required libraries
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold , cross_val_score
from sklearn.datasets import load_wine
wine = load_wine()X = wine.datay = wine.target#splitting the data into train and test setX_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.3,random_state = 14)
#declaring parameters gridk_value = list(range(2,11))
algorithm = ['auto','ball_tree','kd_tree','brute']
scores = []best_comb = []kfold = KFold(n_splits=5)
#hyperparameter tunningfor algo in algorithm:  for k in k_value:
    knn = KNeighborsClassifier(n_neighbors=k,algorithm=algo)    results = cross_val_score(knn,X_train,y_train,cv = kfold)    print(f'Score:{round(results.mean(),4)} with algo = {algo} , K = {k}')
    scores.Append(results.mean())
    best_comb.append((k,algo))
best_param = best_comb[scores.index(max(scores))]print(f'nThe Best Score : {max(scores)}')
print(f"['algorithm': {best_param[1]} ,'n_neighbors': {best_param[0]}]")

缺點：

沒辦法確保得到最佳的參數組合。
這是一個不斷試錯的過程，所以，非常的耗時。

2. 網格搜索

網格搜索是一種基本的超參數調優技術。它類似于手動調優，為網格中指定的所有給定超參數值的每個排列構建模型，評估并選擇最佳模型。考慮上面的例子，其中兩個超參數k_value =[2,3,4,5,6,7,8,9,10] & algorithm =[' auto '， ' ball_tree '， ' kd_tree '， ' brute ']，在這個例子中，它總共構建了9*4 = 36不同的模型。

讓我們來了解一下sklearn的GridSearchCV是如何工作的：

from sklearn.model_selection import GridSearchCV
knn = KNeighborsClassifier()grid_param = { 'n_neighbors' : list(range(2,11)) , 
              'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
              grid = GridSearchCV(knn,grid_param,cv = 5)
grid.fit(X_train,y_train)#best parameter combinationgrid.best_params_#Score achieved with best parameter combination
grid.best_score_#all combinations of hyperparametersgrid.cv_results_['params']
#average scores of cross-validationgrid.cv_results_['mean_test_score']

缺點：

由于它嘗試了超參數的每一個組合，并根據交叉驗證得分選擇了最佳組合，這使得GridsearchCV非常慢。

3. 隨機搜索

使用隨機搜索代替網格搜索的動機是，在許多情況下，所有的超參數可能不是同等重要的。隨機搜索從超參數空間中隨機選擇參數組合，參數由n_iter給定的固定迭代次數的情況下選擇。實驗證明，隨機搜索的結果優于網格搜索。

讓我們來了解sklearn的RandomizedSearchCV是如何工作的，

from sklearn.model_selection import RandomizedSearchCV
knn = KNeighborsClassifier()grid_param = { 'n_neighbors' : list(range(2,11)) , 
              'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
rand_ser = RandomizedSearchCV(knn,grid_param,n_iter=10)
rand_ser.fit(X_train,y_train)#best parameter combinationrand_ser.best_params_#score achieved with best parameter combination
rand_ser.best_score_#all combinations of hyperparametersrand_ser.cv_results_['params']
#average scores of cross-validationrand_ser.cv_results_['mean_test_score']

缺點：

隨機搜索的問題是它不能保證給出最好的參數組合。

4. 貝葉斯搜索

貝葉斯優化屬于一類優化算法，稱為基于序列模型的優化(SMBO)算法。這些算法使用先前對損失f的觀察結果，以確定下一個(最優)點來抽樣f。該算法大致可以概括如下。

使用先前評估的點X1*:n*，計算損失f的后驗期望。
在新的點X的抽樣損失f，從而最大化f的期望的某些方法。該方法指定f域的哪些區域最適于抽樣。

重復這些步驟，直到滿足某些收斂準則。

讓我們用scikit- optimization的BayesSearchCV來理解這

Installation: pip install scikit-optimize

from skopt import BayesSearchCV
import warningswarnings.filterwarnings("ignore")
# parameter ranges are specified by one of belowfrom skopt.space import Real, Categorical, Integer
knn = KNeighborsClassifier()#defining hyper-parameter gridgrid_param = { 'n_neighbors' : list(range(2,11)) , 
              'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
#initializing Bayesian SearchBayes = BayesSearchCV(knn , grid_param , n_iter=30 , random_state=14)
Bayes.fit(X_train,y_train)#best parameter combinationBayes.best_params_#score achieved with best parameter combination
Bayes.best_score_#all combinations of hyperparametersBayes.cv_results_['params']
#average scores of cross-validationBayes.cv_results_['mean_test_score']

另一個實現貝葉斯搜索的類似庫是bayesian-optimization。