点击上方“机器学习与生成对抗网络”，关注"星标"
获取有趣、好玩的前沿干货！
作者丨Sivasai Yadav Mudugandla
编辑丨Python遇见机器学习
引言
维基百科上说“超参数优化（optimization）或调优（tuning）是为学习算法选择一组最优超参数的问题”
机器学习工作流中最难的部分之一是为模型寻找最佳的超参数。机器学习模型的性能与超参数直接相关。超参数调优越多，得到的模型就越好。调整超参数真的很难又乏味，更是一门艺术而不是科学。
超参数（Hyper-parameter）
超参数是在建立模型时用来控制算法行为的参数。这些参数不能从正常的训练过程中学习。他们需要在训练模型之前被分配。
Dr.Mukesh Rao的超参数样本清单
目录
1. 传统或手动调参
2. 网格搜索
3. 随机搜索
4. 贝叶斯搜索
1. 传统或手动调参
在传统的调优中，我们通过手动检查随机超参数集来训练算法，并选择最适合我们目标的参数集。
让我们看看代码:
#importing required libraries
缺点:
1. 不能保证得到最佳的参数组合。
2. 这是一种反复试验的方法，因此会消耗更多的时间。
2. 网格搜索
网格搜索是一种基本的超参数调整技术。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建立模型，并评估和选择最佳模型。考虑上面的例子，它有两个超参数 k_value =[2,3,4,5,6,7,8,9,10] 和 algorithm = [‘auto’ , ’ball_tree’ , ’kd_tree’ , ’brute’]，在这种情况下，它总共构建了9 * 4 = 36个不同的模型。
让我们来了解一下 sklearn 的 GridSearchCV 是如何工作的，
from sklearn.model_selection import GridSearchCV
缺点:
由于它尝试每一种超参数组合，并根据交叉验证分数选择最佳组合，这使得 GridsearchCV 极其缓慢。
3. 随机搜索
使用随机搜索代替网格搜索的动机是，在许多情况下，所有的超参数可能并非同等重要。随机搜索从超参数空间中随机选择参数组合，参数按 n_iter 给定的迭代次数进行选择。随机搜索已经被实践证明比网格搜索得到的结果更好。
让我们了解一下 sklearn 的 RandomizedSearchCV 是如何工作的,
from sklearn.model_selection import RandomizedSearchCV
缺点:
随机搜索的问题是它不能保证给出最佳的参数组合。
4. 贝叶斯优化
贝叶斯优化属于一类被称为_sequential model-based optimization_(SMBO)的优化算法。这些算法使用先前对损失 f 的观测，来确定下一个(最佳)点来取样 f。该算法大致可以概括如下。
1. 使用先前计算过的点 X1: n，计算损失 f 的后验期望值。
2. 在一个新的点 Xnew取样损失 f ，它最大化了 f 的期望的某些效用函数。该函数指定 f 域的哪些区域是最适合采样的。
重复这些步骤，直到达到某种收敛准则。
让我们用 scikit-optimize 的BayesSearchCV来理解这一点
安装: pip install scikit-optimize
from skopt import BayesSearchCV
实现贝叶斯搜索的另一个类似的库是 bayesian-optimization
安装 : pip install bayesian-optimization
缺点:
在2维或3维搜索空间中，需要十几个样本才能得到一个良好的替代曲面（surrogate surface）; 增加搜索空间的维数需要更多的样本。
总结
在找到参数的最佳组合的保证和计算时间之间总是有一个权衡。如果你的超参数空间(超参数个数)非常大，那么使用随机搜索找到超参数的潜在组合，然后使用该局部的网格搜索(超参数的潜在组合)来选择最优特征。
References
1. https://thuijskens.github.io/2016/12/29/bayesian-optimisation/
2. https://scikit-optimize.github.io/stable/modules/generated/skopt.BayesSearchCV.html
3. https://github.com/fmfn/BayesianOptimization
原文：https://medium.com/swlh/4-hyper-parameter-tuning-techniques-924cb188d199
猜您喜欢：附下载 | 《Python进阶》中文版附下载 | 经典《Think Python》中文版附下载 | 《Pytorch模型训练实用教程》附下载 | 最新2020李沐《动手学深度学习》附下载 | 《可解释的机器学习》中文版附下载 |《TensorFlow 2.0 深度学习算法实战》附下载 | 超100篇！CVPR 2020最全GAN论文梳理汇总！附下载 |《计算机视觉中的数学方法》分享
本文分享自微信公众号 - 机器学习与生成对抗网络（AI_bryant8）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
