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。
超参数的简单列表 内容
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 libraries from sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import KFold , cross_val_scorefrom 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 ]} ]" )
缺点 :
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 =[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。
让我们来了解一下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。
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,所有的超参数可能不是同等重要的。随机搜索从超参数空间中随机选择参数组合,参数由n_iter给定的固定迭代次数的情况下选择。实验证明,随机搜索的结果优于网格搜索。
让我们来了解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' ]
缺点 :
随机搜索的问题是它不能保证给出最好的参数组合。
4. 贝叶斯搜索贝叶斯优化属于一类优化算法,称为基于序列模型的优化(SMBO)算法。这些算法使用先前对损失 f 的观察结果,以确定下一个(最优)点来抽样 f 。该算法大致可以概括如下。
使用先前评估的点 X 1:n,计算损失 f 的后验期望。 在新的点 X 的抽样损失 f ,从而最大化f 的期望的某些方法。该方法指定 f 域的哪些区域最适于抽样。 重复这些步骤,直到满足某些收敛准则。
让我们用scikit- optimization的BayesSearchCV
来理解。
Installation: pip install scikit-optimize
from skopt import BayesSearchCVimport 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' ]
另一个实现贝叶斯搜索的类似库是bayesian-optimization
。
Installation: pip install bayesian-optimization
缺点 :
要在2维或3维的搜索空间中得到一个好的代理曲面需要十几个样本,增加搜索空间的维数需要更多的样本。
总结在确定参数的最佳组合的保证和计算时间之间总是存在权衡。如果超参数空间(超参数个数)非常大,则使用随机搜索找到超参数的潜在组合,然后在该局部使用网格搜索(超参数的潜在组合)选择最优特征。
- END -