機器學習中四種調參方法總結
介紹
維基百科上說，“Hyperparameter optimization或tuning是為學習算法選擇一組最優(yōu)的hyperparameters的問題”。
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。ML模型的性能與超參數直接相關。超參數調優(yōu)的越好，得到的模型就越好。調優(yōu)超參數可能是非常乏味和困難的，更像是一門藝術而不是科學。
超參數
超參數是在建立模型時用于控制算法行為的參數。這些參數不能從常規(guī)訓練過程中獲得。在對模型進行訓練之前，需要對它們進行賦值。
內容
傳統(tǒng)的手工調參 網格搜索 隨機搜索 貝葉斯搜索
傳統(tǒng)手工搜索
在傳統(tǒng)的調參過程中，我們通過訓練算法手動檢查隨機超參數集，并選擇符合我們目標的最佳參數集。
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：
沒辦法確保得到最佳的參數組合。 這是一個不斷試錯的過程，所以，非常的耗時。
2. 網格搜索
網格搜索是一種基本的超參數調優(yōu)技術。它類似于手動調優(yōu)，為網格中指定的所有給定超參數值的每個排列構建模型，評估并選擇最佳模型。考慮上面的例子，其中兩個超參數?k_value =[2,3,4,5,6,7,8,9,10] & algorithm =[?auto ， ball_tree ， kd_tree ，brute ]，在這個例子中，它總共構建了9*4 = 36不同的模型。
讓我們來了解一下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：
由于它嘗試了超參數的每一個組合，并根據交叉驗證得分選擇了最佳組合，這使得GridsearchCV非常慢。
3. 隨機搜索
使用隨機搜索代替網格搜索的動機是，在許多情況下，所有的超參數可能不是同等重要的。隨機搜索從超參數空間中隨機選擇參數組合，參數由n_iter給定的固定迭代次數的情況下選擇。實驗證明，隨機搜索的結果優(yōu)于網格搜索。
讓我們來了解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：
隨機搜索的問題是它不能保證給出最好的參數組合。
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損失 f 的觀察結果，以確定下一個(最優(yōu))點來抽樣 f。該算法大致可以概括如下。
使用先前評估的點 X 1：n，計算損失 f 的后驗期望。 在新的點 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。
重復這些步驟，直到滿足某些收斂準則。
讓我們用scikit- optimization的BayesSearchCV來理解。
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']
另一個實現貝葉斯搜索的類似庫是bayesian-optimization。
Installation: pip install bayesian-optimization
缺點：
要在2維或3維的搜索空間中得到一個好的代理曲面需要十幾個樣本，增加搜索空間的維數需要更多的樣本。
總結
在確定參數的最佳組合的保證和計算時間之間總是存在權衡。如果超參數空間(超參數個數)非常大，則使用隨機搜索找到超參數的潛在組合，然后在該局部使用網格搜索(超參數的潛在組合)選擇最優(yōu)特征。
猜您喜歡：
CVPR 2021 | GAN的說話人驅動、3D人臉論文匯總
附下載 |《TensorFlow 2.0 深度學習算法實戰(zhàn)》