每个算法人员都应该知道的4个超参数调试方法 _超参数调试

作者：Sivasai Yadav Mudugandla
【每个算法人员都应该知道的4个超参数调试方法】编译：ronghuaiyang

导读

ML工作流中最困难的部分之一是为模型找到最好的超参数。ML模型的性能与超参数直接相关。

文章插图

介绍

维基百科上说， “Hyperparameter optimization或tuning是为学习算法选择一组最优的hyperparameters的问题” 。

ML工作流中最困难的部分之一是为模型找到最好的超参数。ML模型的性能与超参数直接相关。超参数调优的越好，得到的模型就越好。调优超参数可能是非常乏味和困难的，更像是一门艺术而不是科学。
超参数超参数是在建立模型时用于控制算法行为的参数。这些参数不能从常规训练过程中获得。在对模型进行训练之前，需要对它们进行赋值。

文章插图
超参数的简单列表
内容

传统的手工调参
网格搜索
随机搜索
贝叶斯搜索

1. 传统手工搜索在传统的调参过程中，我们通过训练算法手动检查随机超参数集，并选择符合我们目标的最佳参数集。
我们看看代码：

#importing required librariesfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import KFold , cross_val_scorefrom sklearn.datasets import load_winewine = 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]}]")

缺点：

没办法确保得到最佳的参数组合。
这是一个不断试错的过程，所以，非常的耗时。

2. 网格搜索网格搜索是一种基本的超参数调优技术。它类似于手动调优，为网格中指定的所有给定超参数值的每个排列构建模型，评估并选择最佳模型。考虑上面的例子，其中两个超参数k_value =https://www.isolves.com/it/cxkf/sf/2020-09-15/[2,3,4,5,6,7,8,9,10] & algorithm =[' auto ' ， ' ball_tree ' ， ' kd_tree ' ， ' brute '] ，在这个例子中，它总共构建了9*4 = 36不同的模型。

文章插图

让我们来了解一下sklearn的GridSearchCV是如何工作的：

from sklearn.model_selection import GridSearchCVknn = 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 combinationgrid.best_score_#all combinations of hyperparametersgrid.cv_results_['params']#average scores of cross-validationgrid.cv_results_['mean_test_score']

缺点：
由于它尝试了超参数的每一个组合，并根据交叉验证得分选择了最佳组合，这使得GridsearchCV非常慢。