機器學習4個常用超參數調試方法!

介紹

維基百科上說，「Hyperparameter optimization或tuning是為學習算法選擇一組最優的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。超參數調優的越好，得到的模型就越好。調優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於控制算法行為的參數。這些參數不能從常規訓練過程中獲得。在對模型進行訓練之前，需要對它們進行賦值。

超參數的簡單列表
內容1. 傳統手工搜索

在傳統的調參過程中，我們通過訓練算法手動檢查隨機超參數集，並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：
2. 網格搜索
網格搜索是一種基本的超參數調優技術。它類似於手動調優，為網格中指定的所有給定超參數值的每個排列構建模型，評估並選擇最佳模型。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：
由於它嘗試了超參數的每一個組合，並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，隨機搜索的結果優於網格搜索。
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
貝葉斯優化屬於一類優化算法，稱為基於序列模型的優化(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)點來抽樣f。該算法大致可以概括如下。
使用先前評估的點X1*:n*，計算損失f的後驗期望。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域的哪些區域最適於抽樣。
重複這些步驟，直到滿足某些收斂準則。
讓我們用scikit- optimization的BayesSearchCV來理解這
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，然後在該局部使用網格搜索(超參數的潛在組合)選擇最優特徵。