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。
四种常用调参方法
- 传统的手工调参
- 网格搜索
- 随机搜索
- 贝叶斯搜索
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。
缺点：
- 没办法确保得到最佳的参数组合。
- 这是一个不断试错的过程，所以，非常的耗时。
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，例如下面其中两个超参数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。
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。
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。
缺点：
- 随机搜索的问题是它不能保证给出最好的参数组合。
贝叶斯搜索
网格搜索和随机搜索在测试一个新的点时，会忽略前一个点的信息。而贝叶斯优化充分利用了这个信息。贝叶斯优化的工作方式是通过对目标函数形状的学习，找到使结果向全局最大值提升的参数。它学习目标函数形状的方法是，根据先验分布，假设一个搜集函数。在每一次使用新的采样点来测试目标函数时，它使用这个信息来更新目标函数的先验分布。然后，算法测试由后验分布给出的，全局最值最可能出现的位置的点。 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。
- 使用先前评估的点X1*:n*，计算损失f的后验期望。
- 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。
注
对于贝叶斯优化，一个主要需要注意的地方，是一旦它找到了一个局部最大值或最小值，它会在这个区域不断采样，所以它很容易陷入局部最值。为了减轻这个问题，贝叶斯优化算法会在勘探和开采(exploration and exploitation)中找到一个平衡点。
- 勘探(exploration)，就是在还未取样的区域获取采样点
- 开采(exploitation)，就是根据后验分布，在最可能出现全局最值的区域进行采样。
实现库：
- scikit-optimize
- bayesian-optimization
