机器学习——超参数调优

超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。超参数可以分为两种类型:定义模型及结构本身的参数,目标函数与与优化算法所需的参数,前者用于训练和预测阶段,后者用于训练阶段。

在实战过程中,需要对机器学习模型进行优化以确保模型的最高准确率,因此,超参数调优参数应运而生,常见的超参数搜索算法有网格搜索、随机搜索、贝叶斯优化等。超参数搜索算法一般包括三个要素:

  • 目标函数,即算法需要最大化/最小化目标;

  • 搜索范围,一般通过上限和下限来确定;

  • 算法的其他参数,如搜索步长。

1、传统的机器学习超参优化

1.1 网格搜索

1.1.1 算法原理

网格搜索是较简单、应用最广泛的超参数搜索算法,它通过查找搜索范围内的所有的点来确定最优值(穷举)。然而,这种方法比较消耗计算资源和时间。在实际应用中,网格搜索一般会先使用较大的搜索范围和步长,来寻找全局最优值可能的位置;然后逐渐缩小搜索范围和步长,来寻找更精确的最优值。

1.1.2 参数说明

函数:sklearn.model_selection.GridSearchCV

参数:

  • estimator:sklearn的估计器
  • param_grid:(字典 or 字典列表 )超参数
  • scoring:(str)在测试集进行交叉验证的评估策略
  • n_jobs:(int)并行处理几个job
  • refit:(bool)使用最佳参数重新调整estimator
  • cv:(int)确定交叉验证的策略,None:默认使用5-fold交叉验证

属性:

  • cv_results_:字典的keys是列名,values是列的DataFrame
  • best_estimator_:最佳参数的估计器
  • best_score_:最佳参数的估计器交叉验证的平均得分
  • best_params_:最佳参数

1.1.3算法实现

from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV#获取数据
iris = datasets.load_iris()#超参数
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
#估计器
svc = svm.SVC()
#网格搜索
clf = GridSearchCV(svc, parameters)
clf.fit(iris.data, iris.target)
sorted(clf.cv_results_.keys())

1.2 随机搜索

1.2.1 算法原理

随机搜索和网格搜索类似,只是不再测试上界和下界之间的所有值,而是在搜索范围中随机选取样本点,如果样本点集足够大,通过随机采样也能大概率找到全局最优值或其近似值。

比网格搜索的好处:一是独立于参数数量和可能的值被选中;二是添加不影响性能的参数不会降低效率

1.2.2 参数说明

函数:sklearn.model_selection.RandomizedSearchCV

参数:

  • estimator:sklearn的估计器
  • param_distributions:(字典 or 字典列表 )超参数的样本分布
  • scoring:(str)在测试集进行交叉验证的评估策略
  • n_iter:(int)采样参数的设置数
  • n_jobs:(int)并行处理几个job
  • refit:(bool)使用最佳参数重新调整estimator
  • cv:(int)确定交叉验证的策略,None:默认使用5-fold交叉验证

属性:

  • cv_results_:字典的keys是列名,values是列的DataFrame
  • best_estimator_:最佳参数的估计器
  • best_score_:最佳参数的估计器交叉验证的平均得分
  • best_params_:最佳参数

1.2.3算法实现

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import uniform
iris = load_iris()
logistic = LogisticRegression(solver='saga', tol=1e-2, max_iter=200,random_state=0)
distributions = dict(C=uniform(loc=0, scale=4),penalty=['l2', 'l1'])
clf = RandomizedSearchCV(logistic, distributions, random_state=0)
search = clf.fit(iris.data, iris.target)
print(search.best_params_)

2 基于模型的序列超参优化

基于模型的序列超参优化的核心成分是:代理模型选择、代理模型更新、基于后验分布下新的超参组合的选择。

(1)代理模型选择

模型选择是使用一个概率模型作为目标函数的代理函数,通过这个模型对目标函数进行预估评价。

(2)代理模型更新

刚开始模型随机选择一个超参组合,但随着观测的增加,可以基于新的观测去更新模型进而增强模型能力。

(3)新超参组的选择

代理模型都采用概率代理模型,可以提供更高的灵活性,每一个超参组合的评估结果都可以用一个概率分布表达。,其次,基于概率分布的模型可以用于选取期望最大的新超参组合并支持模型的更新迭代。通过新超参组选择的方法定义采集函数来计算超参组合优劣程度,常见方法有:

  • PI(Probability Improvement)

PI即概率提升法,它的核心思路是寻找在期望上最有可能获得更好结果的超参组合。

效用函数:

utility\left ( x \right )=0\left \{ f(x)>f^{'} \right \}

utility\left ( x \right )=0\left \{ f(x)\leqslant f^{'} \right \}

f(x)是目标函数(误差率),f^{'}=min f是当前最小误差率的值,计算效用函数的期望。

  • EI(Expected Improvement)

EI即期望提升法,PI没有考虑优化的幅度,因此EI引入了优化幅度从而计算期望优化度。

效用函数:

utility\left ( x \right )=max(0,f^{'}-f(x))

  • UCB(Upper Confidence Bound)

UCB的核心思想是统计学的置信区间,如果目标函数是往最大值优化,就使用上边界,如果目标函数是往最小值优化,就使用下边界。

2.1 贝叶斯优化

2.1.1 算法原理

贝叶斯优化是一种黑盒优化算法,用于求解表达式未知的函数的极值问题。算法根据一组采样点处的函数值预测出任意点处函数值的概率分布,这通过高斯过程回归而实现。根据高斯过程回归的结果构造采集函数,用于衡量每一个点值得探索的程度,求解采集函数的极值从而确定下一个采样点。最后返回这组采样点的极值作为函数的极值。

其核心由两部分构成:

  • 1. 高斯过程回归。计算每一点处函数值的均值和方差;
  • 2. 根据均值和方差构造采集函数,用于决定本次迭代时在哪个点处进行采样。

(1)高斯分布

      若随机变量服从一个位置参数为、尺度参数为的概率分布,且其概率密度函数为

                                                                                                         

       则这个随机变量就称为正态随机变量,正态随机变量服从的分布就称为正态分布,记作,读作服从,或服从正态分布。

(2)高斯过程

高斯过程(Gaussian Process, GP)是概率论和数理统计中随机过程(stochastic process)的一种,是一系列服从正态分布的随机变量(random variable)在一指数集(index set)内的组合,这个集合里面的任意有限个随机变量都服从联合正态分布。

对于一个连续域T,我们在连续域任选n个时刻,使得获得一个n维向量都满足其是一个n维高斯分布,则这个就是高斯过程。一个高斯过程可以通过一个均值函数和一个协方差函数完全确定。

高斯过程和高斯混合模型的区别?

高斯过程是无限个高斯分布的变量,高斯混合模型是有限个高斯分布的随机变量。

(3)高斯过程回归

高斯过程回归模型是一个不太依赖于m(x)但是比较依赖核函数选择的模型。(详解另写)

(4)采集函数

采集函数用于确定在何处采集下一个样本点,它需要满足下面的条件。

  • 在已有的采样点处采集函数的值更小,因为这些点已经被探索过,再在这些点处计算函数值对解决问题没有什么用;
  • 在置信区间更宽的点处采集函数的值更大,因为这些点具有更大的不确定性,更值得探索;
  • 在函数均值更大的点处采集函数的值更大,因为均值是对该点处函数值的估计值,这些点更可能在极值点附近。

2.1.2 参数说明

目标函数:

fmin(fn=目标函数)

搜索空间:

fmin(fn=目标函数,space=搜索空间)

hp.choice返回一个选项,选项可以是list或者tuple.options可以是嵌套的表达式,用于组成条件参数。 
       hp.pchoice(label,p_options)以一定的概率返回一个p_options的一个选项。这个选项使得函数在搜索过程中对每个选项的可能性不均匀。 
       hp.uniform(label,low,high)参数在low和high之间均匀分布。 
       hp.quniform(label,low,high,q),参数的取值是round(uniform(low,high)/q)*q,适用于那些离散的取值。 
       hp.loguniform(label,low,high)绘制exp(uniform(low,high)),变量的取值范围是[exp(low),exp(high)] 
       hp.randint(label,upper) 返回一个在[0,upper)前闭后开的区间内的随机整数。 

搜索算法:

fmin(fn=目标函数,space=搜索空间,algo=搜索算法)

随机搜索(对应是hyperopt.rand.suggest),模拟退火(对应是hyperopt.anneal.suggest),TPE算法

可视化(Trials)伪代码:

trials = Trials()
best = fmin(fn=fn_dtree, space=space_dtree, algo=tpe.suggest, max_evals=1000, trials=trials)parameters = ['max_depth', 'max_features', 'criterion', 'scale','normalize']  # decision tree
cols = len(parameters)
f, axes = plt.subplots(nrows=1, ncols=cols, figsize=(20, 5))
cmap = plt.cm.jet
for i, val in enumerate(parameters):xs = np.array([t['misc']['vals'][val] for t in trials.trials]).ravel()ys = [-t['result']['loss'] for t in trials.trials]ys = np.array(ys)axes[i].scatter(xs,ys,s=20,linewidth=0.01,alpha=0.5,c=cmap(float(i) / len(parameters)))axes[i].set_title(val)

2.1.3算法实现

from sklearn.datasets import load_digits
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score 
from hyperopt import fmin, tpe, hp,STATUS_OK, Trials
#from sklearn.model_selection import RandomizedSearchCV
#from scipy.stats import uniform
digits = load_digits()
X = digits.data
y = digits.target
print (X.shape, y.shape)def hyperopt_train_test(params):t = params['type']del params['type']if t == 'svm':clf = SVC(**params)elif t == 'dtree':clf = DecisionTreeClassifier(**params)elif t == 'knn':clf = KNeighborsClassifier(**params)else:return 0return cross_val_score(clf, X, y).mean()space = hp.choice('classifier_type', [{'type': 'naive_bayes','alpha': hp.uniform('alpha', 0.0, 2.0)},{'type': 'svm','C': hp.uniform('C', 0, 10.0),'kernel': hp.choice('kernel', ['linear', 'rbf']),'gamma': hp.uniform('gamma', 0, 20.0)},{'type': 'randomforest','max_depth': hp.choice('max_depth', range(1,20)),'max_features': hp.choice('max_features', range(1,5)),'n_estimators': hp.choice('n_estimators', range(1,20)),'criterion': hp.choice('criterion', ["gini", "entropy"]),'scale': hp.choice('scale', [0, 1]),'normalize': hp.choice('normalize', [0, 1])},{'type': 'knn','n_neighbors': hp.choice('knn_n_neighbors', range(1,50))}
])count = 0
best = 0
def f(params):global best, countcount += 1acc = hyperopt_train_test(params.copy())if acc > best:print ('new best:', acc, 'using', params['type'])best = accif count % 50 == 0:print ('iters:', count, ', acc:', acc, 'using', params)return {'loss': -acc, 'status': STATUS_OK}trials = Trials()
best = fmin(f, space, algo=tpe.suggest, max_evals=1500, trials=trials)
print ('best:')
print (best)

除了高斯过程回归的序列超参优化之外,还有基于随机森林、TPE的序列超参优化

参考:

一文秒懂贝叶斯优化/Bayesian Optimization

Hyperopt 入门指南

......

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/466692.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

单片机的Bootloader,可以实现用户轻松升级程序

去某新能源大厂出了一次差,这次出差是为了升级程序解决Bug,需要给单片机重新烧录.hex文件,用户已经将产品封装起来,无法开盖,只能使用CAN总线来更新程序,用Bootloader实现。其实就是通过上位机把.bin/hex文…

小结三种控制路由发布的方法

1、分配列表(distribute-list)直接过滤更新协议中的该条路由。优点是简单,可有效减少更新包中所带路由的数量,直接体现其带宽占用的优势,并且路由器参与的处理较少,节省CPU、内存等资源;缺点是适…

Linux C高级编程——网络编程之UDP(4)

Linux网络编程——UDP 宗旨:技术的学习是有限的,分享的精神是无限的。 下面分析一帧基于UDP的TFTP协议帧。 以太网首部 0000: 00 05 5d 67 d0 b1 00 05 5d 61 58 a8 08 00 IP首部0000: 45 00 0010: 00 53 93 25 00 00 80 11 25 ec c0 a8 00 37 c0 a8…

Android串口通信apk源码

1、SerialPortHelper「Android串口通信」介绍原项目地址https://github.com/freyskill/SerialPortHelperAndroid串口通讯助手可以用于需要使用串口通信的Android外设,该库有如下特点:1、串口通信部分使用C实现,在笔者接触的部分设备上实测&am…

NLP实战-中文新闻文本分类

目录 1、思路 2、基于paddle的ERINE模型进行迁移学习训练 3、分步实现 3.1 获取数据 (1)数据解压 (2)将文本转成变量,这里为了好计算,我只选了新闻标题做文本分类 3.2 中文分词 基于jieba的分词 基…

Ken Thompson爷爷的经典复制自身代码程序 - Python版本(只用两行!)

Ken Thompson可是大牛人了!不认识的人赶快Google/百度一下。Ken爷爷是Unix创始人,C语言鼻祖!Ken 当时大学时候没游戏玩,就自己给自己出题目写程序,就有了这个复制自身代码的程序了,相当经典,当然…

显示日期的指令: date

1.显示日期的指令: date (1)参数: (2)实例 转载于:https://www.cnblogs.com/yfacesclub/p/8434369.html

聚类算法——Birch详解

1 原理 1.1 B树 (1)m路查找树 一棵m路查找树,它或者是一棵空树,或者是满足如下性质的树: 根最多有m棵子树,并具有以下结构: ,是指向子树的指针,是关键码, 在子树中所…

Linux C高级编程——网络编程之API(5)

Linux C网络编程——API 宗旨:技术的学习是有限的,分享的精神的无限的。 一、基本socket函数 Linux系统是通过提供套接字(socket)来进行网络编程的。网络的socket数据传输是一种特殊的I/O,socket也是一种文件描述符。socket也有一个类似于打开文件的函数…

机器学习在本体中的应用研究文献综述

机器学习在本体标注中的应用研究文献综述<?xml:namespace prefix o ns "urn:schemas-microsoft-com:office:office" />本设计是基于语义搜索引擎展开研究&#xff0c;针对这个新兴的搜索引擎概念的提出&#xff0c;我们搜集了大量的资料并对此进行了一定的研…

20180209-shutil模块

下面讲解shutil模块的相关操作: 1.shutil.copyfileobj(fsrc, fdst, length16*1024) 将fsrc文件内容拷贝到fdst文件中&#xff0c;length是指一次拷贝多少个字节 源码&#xff1a;def copyfileobj(fsrc, fdst, length16*1024):"""copy data from file-like objec…

Pandas使用小技巧

1.获取存在缺失值的行或列 在进行缺失值筛选时&#xff0c;可以对缺失严重的行和列进行删除&#xff0c;首先进行缺失值的确定。 (1)缺失值的列和每列的缺失情况 #对每列的缺失值进行统计&#xff0c;并逆序排列 data.isnull.sum().sort_values(ascendingFalse) (2)缺失值的…

Linux C高级编程——网络编程之包裹函数

Linux网络编程&#xff08;六&#xff09;——包裹函数 宗旨&#xff1a;技术的学习是有限的&#xff0c;分享的精神是无限的。 系统调用不能保证每次都成功&#xff0c;必须进行出错处理。包裹函数就是把一般函数加了出错处理。包裹函数首字母大写。 /***********************…

输入一个数3256,将他从小到大输出,就是2356

这是知乎上面的一个题目&#xff0c;挺有意思&#xff0c;面试的时候应该是作为基础题&#xff0c;很多人不屑于看这样的题目&#xff0c;但是到自己些的时候&#xff0c;就会有很多问题。题目要求输入一个数3256&#xff0c;将他从小到大输出&#xff0c;就是2356分析输入的是…

在过渡到Agile中的十种错误

原文: http://www.ddj.com/architect/193402902为了走得更快必须减缓转变。从传统开发方法论到Agile的过渡中最普遍的10种错误&#xff1a;1直接全部参与。没有以试验项目作为开始。这样造成在项目推行新的方法论有很高风险&#xff0c;因为你在时间紧迫或风险较大的项目中没有…

深度学习之负荷分解——LSTM(一对多)任务场景

1.任务场景 以家庭为例&#xff0c;假设该家庭有m种电器和总负荷的曲线&#xff0c;其中&#xff0c;总负荷为,各个电器的负荷有&#xff08;m是电器个数&#xff0c;n是n个时刻&#xff09;。我们需要通过对总负荷曲线进行分解&#xff0c;识别出该负荷有几种电器同时运行实现…

这是我见过最秀的代码

这么秀的代码&#xff0c;你能写出来吗&#xff1f;技术主管来了都不好使&#xff0c;main函数里第一个函数必须是这个。佛祖保佑版&#xff1a;void godBless(void) { // _ooOoo_ // o8888888o // …

java-构建jar带哟参数提示的

使用command的cli包构建带有参数提示的jar包 需要引入command cli的依赖 <commons.version>1.2</commons.version> <dependency><groupId>commons-cli</groupId><artifactId>commons-cli</artifactId><version>${commons.vers…

Cortex M3存储器映射

CortexM3存储器系统 宗旨&#xff1a;技术的学习是有限的&#xff0c;分享的精神是无限的。 CM3 只有一个单一固定的存储器映射。这一点极大地方便了软件在各种 CM3 单片机间的移植。 存储空间的一些位置用于调试组件等私有外设&#xff0c;这个地址段被称为“私有外设区”。私…

sql server 分页

分页方案一&#xff1a;(利用Not In和SELECT TOP分页) 语句形式&#xff1a; SELECT TOP 10 * FROM TestTable WHERE (ID NOT IN (SELECT TOP 20 id FROM TestTable ORDER BY id)) ORDER BY ID SELECT TOP 页大小 * FROM TestTable WHERE (ID NOT IN (SELECT TOP 页大小*页数 i…