快捷導(dǎo)航

四種Python機(jī)器學(xué)習(xí)超參數(shù)搜索方法總結(jié)

更新時(shí)間：2022年11月07日 10:09:15 作者：Python數(shù)據(jù)挖掘

在建模時(shí)模型的超參數(shù)對(duì)精度有一定的影響，而設(shè)置和調(diào)整超參數(shù)的取值，往往稱為調(diào)參。本文將演示在sklearn中支持的四種基礎(chǔ)超參數(shù)搜索方法，需要的可以參考一下

原始模型

作為精度對(duì)比，我們最開始使用隨機(jī)森林來訓(xùn)練初始化模型，并在測(cè)試集計(jì)算精度：

# 數(shù)據(jù)讀取
df = pd.read_csv('https://mirror.coggle.club/dataset/heart.csv')
X = df.drop(columns=['output'])
y = df['output']

# 數(shù)據(jù)劃分
x_train, x_test, y_train, y_test = train_test_split(X, y, stratify=y)

# 模型訓(xùn)練與計(jì)算準(zhǔn)確率
clf = RandomForestClassifier(random_state=0)
clf.fit(x_train, y_train)
clf.score(x_test, y_test)

模型最終在測(cè)試集精度為：0.802。

GridSearch

GridSearch是比較基礎(chǔ)的超參數(shù)搜索方法，中文名字網(wǎng)格搜索。其原理是在計(jì)算的過程中遍歷所有的超參數(shù)組合，然后搜索到最優(yōu)的結(jié)果。

如下代碼所示，我們對(duì)4個(gè)超參數(shù)進(jìn)行搜索，搜索空間為 5 * 3 * 2 * 3 = 90組超參數(shù)。對(duì)于每組超參數(shù)還需要計(jì)算5折交叉驗(yàn)證，則需要訓(xùn)練450次。

parameters = {
    'max_depth': [2,4,5,6,7],
    'min_samples_leaf': [1,2,3],
    'min_weight_fraction_leaf': [0, 0.1],
    'min_impurity_decrease': [0, 0.1, 0.2]
}

# Fitting 5 folds for each of 90 candidates, totalling 450 fits
clf = GridSearchCV(
    RandomForestClassifier(random_state=0),
    parameters, refit=True, verbose=1,
)
clf.fit(x_train, y_train)
clf.best_estimator_.score(x_test, y_test)

模型最終在測(cè)試集精度為：0.815。

RandomizedSearch

RandomizedSearch是在一定范圍內(nèi)進(jìn)行搜索，且需要設(shè)置搜索的次數(shù)，其默認(rèn)不會(huì)對(duì)所有的組合進(jìn)行搜索。

n_iter代表超參數(shù)組合的個(gè)數(shù)，默認(rèn)會(huì)設(shè)置比所有組合次數(shù)少的取值，如下面設(shè)置的為10，則只進(jìn)行50次訓(xùn)練。

parameters = {
    'max_depth': [2,4,5,6,7],
    'min_samples_leaf': [1,2,3],
    'min_weight_fraction_leaf': [0, 0.1],
    'min_impurity_decrease': [0, 0.1, 0.2]
}

clf = RandomizedSearchCV(
    RandomForestClassifier(random_state=0),
    parameters, refit=True, verbose=1, n_iter=10,
)

clf.fit(x_train, y_train)
clf.best_estimator_.score(x_test, y_test)

模型最終在測(cè)試集精度為：0.815。

HalvingGridSearch

HalvingGridSearch和GridSearch非常相似，但在迭代的過程中是有參數(shù)組合減半的操作。

最開始使用所有的超參數(shù)組合，但使用最少的數(shù)據(jù)，篩選其中最優(yōu)的超參數(shù)，增加數(shù)據(jù)再進(jìn)行篩選。

HalvingGridSearch的思路和hyperband的思路非常相似，但是最樸素的實(shí)現(xiàn)。先使用少量數(shù)據(jù)篩選超參數(shù)組合，然后使用更多的數(shù)據(jù)驗(yàn)證精度。

n_iterations: 3
n_required_iterations: 5
n_possible_iterations: 3
min_resources_: 20
max_resources_: 227
aggressive_elimination: False
factor: 3
----------

iter: 0
n_candidates: 90
n_resources: 20
Fitting 5 folds for each of 90 candidates, totalling 450 fits
----------

iter: 1
n_candidates: 30
n_resources: 60
Fitting 5 folds for each of 30 candidates, totalling 150 fits
----------

iter: 2
n_candidates: 10
n_resources: 180
Fitting 5 folds for each of 10 candidates, totalling 50 fits
----------

模型最終在測(cè)試集精度為：0.855。

HalvingRandomSearch

HalvingRandomSearch和HalvingGridSearch類似，都是逐步增加樣本，減少超參數(shù)組合。但每次生成超參數(shù)組合，都是隨機(jī)篩選的。

n_iterations: 3
n_required_iterations: 3
n_possible_iterations: 3
min_resources_: 20
max_resources_: 227
aggressive_elimination: False
factor: 3
----------

iter: 0
n_candidates: 11
n_resources: 20
Fitting 5 folds for each of 11 candidates, totalling 55 fits
----------

iter: 1
n_candidates: 4
n_resources: 60
Fitting 5 folds for each of 4 candidates, totalling 20 fits
----------

iter: 2
n_candidates: 2
n_resources: 180
Fitting 5 folds for each of 2 candidates, totalling 10 fits

模型最終在測(cè)試集精度為：0.828。

總結(jié)與對(duì)比

HalvingGridSearch和HalvingRandomSearch比較適合在數(shù)據(jù)量比較大的情況使用，可以提高訓(xùn)練速度。如果計(jì)算資源充足，GridSearch和HalvingGridSearch會(huì)得到更好的結(jié)果。

后續(xù)我們將分享其他的一些高階調(diào)參庫(kù)的實(shí)現(xiàn)，其中也會(huì)有數(shù)據(jù)量改變的思路。如在Optuna中，核心是參數(shù)組合的生成和剪枝、訓(xùn)練的樣本增加等細(xì)節(jié)。

到此這篇關(guān)于四種Python機(jī)器學(xué)習(xí)超參數(shù)搜索方法總結(jié)的文章就介紹到這了,更多相關(guān)Python超參數(shù)搜索內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: