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。

4个常用超参数调试方法 - 图1

超参数的简单列表

内容

  1. 传统的手工调参
  2. 网格搜索
  3. 随机搜索
  4. 贝叶斯搜索

1. 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：

  1. #importing required libraries
  2. from sklearn.neighbors import KNeighborsClassifier
  3. from sklearn.model_selection import train_test_split
  4. from sklearn.model_selection import KFold , cross_val_score
  5. from sklearn.datasets import load_wine
  6. wine = load_wine()
  7. X = wine.data
  8. y = wine.target
  9. #splitting the data into train and test set
  10. X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.3,random_state = 14)
  11. #declaring parameters grid
  12. k_value = list(range(2,11))
  13. algorithm = ['auto','ball_tree','kd_tree','brute']
  14. scores = []
  15. best_comb = []
  16. kfold = KFold(n_splits=5)
  17. #hyperparameter tunning
  18. for algo in algorithm:
  19.   for k in k_value:
  20.     knn = KNeighborsClassifier(n_neighbors=k,algorithm=algo)
  21.     results = cross_val_score(knn,X_train,y_train,cv = kfold)
  22.     print(f'Score:{round(results.mean(),4)} with algo = {algo} , K = {k}')
  23.     scores.append(results.mean())
  24.     best_comb.append((k,algo))
  25. best_param = best_comb[scores.index(max(scores))]
  26. print(f'\nThe Best Score : {max(scores)}')
  27. print(f"['algorithm': {best_param[1]} ,'n_neighbors': {best_param[0]}]")


缺点**：

  1. 没办法确保得到最佳的参数组合。
  2. 这是一个不断试错的过程，所以，非常的耗时。

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：

  1. from sklearn.model_selection import GridSearchCV
  2. knn = KNeighborsClassifier()
  3. grid_param = { 'n_neighbors' : list(range(2,11)) , 
  4.               'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
  6. grid = GridSearchCV(knn,grid_param,cv = 5)
  7. grid.fit(X_train,y_train)
  8. #best parameter combination
  9. grid.best_params_
  10. #Score achieved with best parameter combination
  11. grid.best_score_
  12. #all combinations of hyperparameters
  13. grid.cv_results_['params']
  14. #average scores of cross-validation
  15. 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：

  1. from sklearn.model_selection import RandomizedSearchCV
  2. knn = KNeighborsClassifier()
  3. grid_param = { 'n_neighbors' : list(range(2,11)) , 
  4.               'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
  5. rand_ser = RandomizedSearchCV(knn,grid_param,n_iter=10)
  6. rand_ser.fit(X_train,y_train)
  7. #best parameter combination
  8. rand_ser.best_params_
  9. #score achieved with best parameter combination
  10. rand_ser.best_score_
  11. #all combinations of hyperparameters
  12. rand_ser.cv_results_['params']
  13. #average scores of cross-validation
  14. 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。

  1. 使用先前评估的点X1:n，计算损失f的后验期望。
  2. 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来理解这

Installation: pip install scikit-optimize

  1. from skopt import BayesSearchCV
  2. import warnings
  3. warnings.filterwarnings("ignore")
  4. # parameter ranges are specified by one of below
  5. from skopt.space import Real, Categorical, Integer
  6. knn = KNeighborsClassifier()
  7. #defining hyper-parameter grid
  8. grid_param = { 'n_neighbors' : list(range(2,11)) , 
  9.               'algorithm' : ['auto','ball_tree','kd_tree','brute'] }
  10. #initializing Bayesian Search
  11. Bayes = BayesSearchCV(knn , grid_param , n_iter=30 , random_state=14)
  12. Bayes.fit(X_train,y_train)
  13. #best parameter combination
  14. Bayes.best_params_
  15. #score achieved with best parameter combination
  16. Bayes.best_score_
  17. #all combinations of hyperparameters
  18. Bayes.cv_results_['params']
  19. #average scores of cross-validation
  20. 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。