超參數(shù)搜索算法一般包括哪幾個(gè)要素
目標(biāo)函數(shù)
搜索范圍
算法的其他參數(shù)
超參數(shù)有哪些調(diào)優(yōu)方法布隔？
網(wǎng)格搜索
給出一個(gè)搜索范圍后，遍歷所有點(diǎn)稼虎，找出最優(yōu)值
缺點(diǎn)：耗時(shí)
對(duì)策：將搜索范圍和步長(zhǎng)先設(shè)置的大一些衅檀，鎖定最優(yōu)值的范圍。
再逐漸縮小范圍和步長(zhǎng)霎俩，更精確的確定最優(yōu)值
缺點(diǎn)：可能會(huì)錯(cuò)過全局最優(yōu)值
隨機(jī)搜索
給定一個(gè)搜索范圍后哀军，從中隨機(jī)的選擇樣本點(diǎn)。
缺點(diǎn)：可能會(huì)錯(cuò)過全局最優(yōu)值
貝葉斯優(yōu)化算法
通過學(xué)習(xí)目標(biāo)函數(shù)的形狀打却，找到影響最優(yōu)值的參數(shù)杉适。
算法：首先根據(jù)先驗(yàn)分布，假設(shè)一個(gè)搜集函數(shù)学密。再用每個(gè)新的樣本點(diǎn)，更新目標(biāo)函數(shù)的先驗(yàn)分布传藏。由后驗(yàn)分布得到全局最值可能的位置
缺點(diǎn)：容易陷入局部最優(yōu)值腻暮，因?yàn)檎业搅艘粋€(gè)局部最優(yōu)值，會(huì)在該區(qū)域不斷采樣
對(duì)策：在還未取樣的區(qū)域進(jìn)行探索毯侦，在最可能出現(xiàn)全局最值的區(qū)域進(jìn)行采樣
下面來具體看看如何用 網(wǎng)格搜索(grid search) 對(duì) SVM 進(jìn)行調(diào)參哭靖。
網(wǎng)格搜索實(shí)際上就是暴力搜索：
首先為想要調(diào)參的參數(shù)設(shè)定一組候選值，然后網(wǎng)格搜索會(huì)窮舉各種參數(shù)組合侈离，根據(jù)設(shè)定的評(píng)分機(jī)制找到最好的那一組設(shè)置试幽。
以支持向量機(jī)分類器 SVC 為例，用 GridSearchCV 進(jìn)行調(diào)參：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.svm import SVC
1. 導(dǎo)入數(shù)據(jù)集卦碾，分成 train 和 test 集：
digits = datasets.load_digits()
n_samples = len(digits.images)
X = digits.images.reshape((n_samples, -1))
y = digits.target
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.5, random_state=0)
2. 備選的參數(shù)搭配有下面兩組铺坞，并分別設(shè)定一定的候選值：
例如我們用下面兩個(gè) grids：
kernel＝'rbf', gamma, 'C'
kernel＝'linear', 'C'
tuned_parameters = [{'kernel': ['rbf'], 'gamma': [1e-3, 1e-4],
'C': [1, 10, 100, 1000]},
{'kernel': ['linear'], 'C': [1, 10, 100, 1000]}]
3. 定義評(píng)分方法為：
scores = ['precision', 'recall']
4. 調(diào)用 GridSearchCV起宽，
將 SVC(), tuned_parameters, cv=5, 還有 scoring 傳遞進(jìn)去，
用訓(xùn)練集訓(xùn)練這個(gè)學(xué)習(xí)器 clf济榨，
再調(diào)用 clf.best_params_ 就能直接得到最好的參數(shù)搭配結(jié)果坯沪，
例如，在 precision 下擒滑，
返回最好的參數(shù)設(shè)置是：{'C': 10, 'gamma': 0.001, 'kernel': 'rbf'}
還可以通過 clf.cv_results_ 的 'params'腐晾，'mean_test_score'，看一下具體的參數(shù)間不同數(shù)值的組合后得到的分?jǐn)?shù)是多少：
結(jié)果中可以看到最佳的組合的分?jǐn)?shù)為：0.988 (+/-0.017)
還可以通過 classification_report 打印在測(cè)試集上的預(yù)測(cè)結(jié)果 clf.predict(X_test) 與真實(shí)值 y_test 的分?jǐn)?shù)：
for score in scores:
print("# Tuning hyper-parameters for %s" % score)
print()
# 調(diào)用 GridSearchCV丐一，將 SVC(), tuned_parameters, cv=5, 還有 scoring 傳遞進(jìn)去藻糖，
clf = GridSearchCV(SVC(), tuned_parameters, cv=5,
scoring='%s_macro' % score)
# 用訓(xùn)練集訓(xùn)練這個(gè)學(xué)習(xí)器 clf
clf.fit(X_train, y_train)
print("Best parameters set found on development set:")
print()
# 再調(diào)用 clf.best_params_ 就能直接得到最好的參數(shù)搭配結(jié)果
print(clf.best_params_)
print()
print("Grid scores on development set:")
print()
means = clf.cv_results_['mean_test_score']
stds = clf.cv_results_['std_test_score']
# 看一下具體的參數(shù)間不同數(shù)值的組合后得到的分?jǐn)?shù)是多少
for mean, std, params in zip(means, stds, clf.cv_results_['params']):
print("%0.3f (+/-%0.03f) for %r"
% (mean, std * 2, params))
print()
print("Detailed classification report:")
print()
print("The model is trained on the full development set.")
print("The scores are computed on the full evaluation set.")
print()
y_true, y_pred = y_test, clf.predict(X_test)
# 打印在測(cè)試集上的預(yù)測(cè)結(jié)果與真實(shí)值的分?jǐn)?shù)
print(classification_report(y_true, y_pred))
print()
相關(guān)文章：
用驗(yàn)證曲線 validation curve 選擇超參數(shù)
為什么要用交叉驗(yàn)證
用學(xué)習(xí)曲線 learning curve 來判別過擬合問題
大家好！我是 Alice库车，歡迎進(jìn)入 機(jī)器學(xué)習(xí)面試題集 系列巨柒！
這個(gè)系列會(huì)以《百面機(jī)器學(xué)習(xí)》的學(xué)習(xí)筆記為主線，除了用導(dǎo)圖的形式提煉出精華凝颇，還會(huì)對(duì)涉及到的重要概念進(jìn)行更深度的解釋潘拱，順便也梳理一下機(jī)器學(xué)習(xí)的知識(shí)體系。
歡迎關(guān)注我拧略，一起交流學(xué)習(xí)芦岂！
