維基百科上說(shuō)，“Hyperparameter optimization或tuning是為學(xué)習(xí)算法選擇一組最優(yōu)的hyperparameters的問(wèn)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(shù)。ML模型的性能與超參數(shù)直接相關(guān)。超參數(shù)調(diào)優(yōu)的越好，得到的模型就越好。調(diào)優(yōu)超參數(shù)可能是非常乏味和困難的，更像是一門藝術(shù)而不是科學(xué)。

超參數(shù)是在建立模型時(shí)用于控制算法行為的參數(shù)。這些參數(shù)不能從常規(guī)訓(xùn)練過(guò)程中獲得。在對(duì)模型進(jìn)行訓(xùn)練之前，需要對(duì)它們進(jìn)行賦值。

1. 傳統(tǒng)的手工調(diào)參
2. 網(wǎng)格搜索
3. 隨機(jī)搜索
4. 貝葉斯搜索

1. 傳統(tǒng)手工搜索

在傳統(tǒng)的調(diào)參過(guò)程中，我們通過(guò)訓(xùn)練算法手動(dòng)檢查隨機(jī)超參數(shù)集，并選擇符合我們目標(biāo)的最佳參數(shù)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.data
y?=?wine.target

#splitting?the?data?into?train?and?test?set
X_train,X_test,y_train,y_test?=?train_test_split(X,y,test_size?=?0.3,random_state?=?14)

#declaring?parameters?grid
k_value?=?list(range(2,11))
algorithm?=?['auto','ball_tree','kd_tree','brute']
scores?=?[]
best_comb?=?[]
kfold?=?KFold(n_splits=5)

#hyperparameter?tunning
for?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(diǎn)：

1. 沒(méi)辦法確保得到最佳的參數(shù)組合。
2. 這是一個(gè)不斷試錯(cuò)的過(guò)程，所以，非常的耗時(shí)。

2. 網(wǎng)格搜索

網(wǎng)格搜索是一種基本的超參數(shù)調(diào)優(yōu)技術(shù)。它類似于手動(dòng)調(diào)優(yōu)，為網(wǎng)格中指定的所有給定超參數(shù)值的每個(gè)排列構(gòu)建模型，評(píng)估并選擇最佳模型?？紤]上面的例子，其中兩個(gè)超參數(shù)k_value =[2,3,4,5,6,7,8,9,10] & algorithm =[' auto '， ' ball_tree '， ' kd_tree '， ' brute ']，在這個(gè)例子中，它總共構(gòu)建了9*4 = 36不同的模型。

讓我們來(lái)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?combination
grid.best_params_

#Score?achieved?with?best?parameter?combination
grid.best_score_

#all?combinations?of?hyperparameters
grid.cv_results_['params']

#average?scores?of?cross-validation
grid.cv_results_['mean_test_score']

缺點(diǎn)：

由于它嘗試了超參數(shù)的每一個(gè)組合，并根據(jù)交叉驗(yàn)證得分選擇了最佳組合，這使得GridsearchCV非常慢。

3. 隨機(jī)搜索

使用隨機(jī)搜索代替網(wǎng)格搜索的動(dòng)機(jī)是，在許多情況下，所有的超參數(shù)可能不是同等重要的。隨機(jī)搜索從超參數(shù)空間中隨機(jī)選擇參數(shù)組合，參數(shù)由n_iter給定的固定迭代次數(shù)的情況下選擇。實(shí)驗(yàn)證明，隨機(jī)搜索的結(jié)果優(yōu)于網(wǎng)格搜索。

讓我們來(lái)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?combination
rand_ser.best_params_

#score?achieved?with?best?parameter?combination
rand_ser.best_score_

#all?combinations?of?hyperparameters
rand_ser.cv_results_['params']

#average?scores?of?cross-validation
rand_ser.cv_results_['mean_test_score']

缺點(diǎn)：

隨機(jī)搜索的問(wèn)題是它不能保證給出最好的參數(shù)組合。

4. 貝葉斯搜索

貝葉斯優(yōu)化屬于一類優(yōu)化算法，稱為基于序列模型的優(yōu)化(SMBO)算法。這些算法使用先前對(duì)損失f的觀察結(jié)果，以確定下一個(gè)(最優(yōu))點(diǎn)來(lái)抽樣f。該算法大致可以概括如下。

1. 使用先前評(píng)估的點(diǎn)X1*:n*，計(jì)算損失f的后驗(yàn)期望。
2. 在新的點(diǎn)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(qū)域最適于抽樣。

重復(fù)這些步驟，直到滿足某些收斂準(zhǔn)則。

讓我們用scikit- optimization的BayesSearchCV來(lái)理解這

Installation: pip install scikit-optimize

from?skopt?import?BayesSearchCV

import?warnings
warnings.filterwarnings("ignore")

#?parameter?ranges?are?specified?by?one?of?below
from?skopt.space?import?Real,?Categorical,?Integer

knn?=?KNeighborsClassifier()
#defining?hyper-parameter?grid
grid_param?=?{?'n_neighbors'?:?list(range(2,11))?,?
??????????????'algorithm'?:?['auto','ball_tree','kd_tree','brute']?}

#initializing?Bayesian?Search
Bayes?=?BayesSearchCV(knn?,?grid_param?,?n_iter=30?,?random_state=14)
Bayes.fit(X_train,y_train)

#best?parameter?combination
Bayes.best_params_

#score?achieved?with?best?parameter?combination
Bayes.best_score_

#all?combinations?of?hyperparameters
Bayes.cv_results_['params']

#average?scores?of?cross-validation
Bayes.cv_results_['mean_test_score']

另一個(gè)實(shí)現(xiàn)貝葉斯搜索的類似庫(kù)是bayesian-optimization。

Installation: pip install bayesian-optimization

缺點(diǎn)：

要在2維或3維的搜索空間中得到一個(gè)好的代理曲面需要十幾個(gè)樣本，增加搜索空間的維數(shù)需要更多的樣本。

在確定參數(shù)的最佳組合的保證和計(jì)算時(shí)間之間總是存在權(quán)衡。如果超參數(shù)空間(超參數(shù)個(gè)數(shù))非常大，則使用隨機(jī)搜索找到超參數(shù)的潛在組合，然后在該局部使用網(wǎng)格搜索(超參數(shù)的潛在組合)選擇最優(yōu)特征。