Python:没有机器学习的网格搜索?

Posted

技术标签:

【中文标题】Python:没有机器学习的网格搜索?【英文标题】:Python: Gridsearch Without Machine Learning? 【发布时间】:2018-07-29 07:27:00 【问题描述】:

我想优化具有多个可变参数的算法 作为输入。

对于机器学习任务,Sklearn 通过gridsearch 功能提供超参数优化。

是否有标准化的方式/Python 中的库允许优化超参数,不仅限于机器学习主题?

【问题讨论】:

【参考方案1】:

您可以使用 score 方法创建自定义管道/估算器(参见链接http://scikit-learn.org/dev/developers/contributing.html#rolling-your-own-estimator)来比较结果。

ParameterGrid 也可能对您有所帮助。它将自动填充所有超参数设置。

【讨论】:

【参考方案2】:

您可能会考虑 scipy 的 optimize.brute,它本质上是相同的,尽管在 API 使用方面不受限制。您只需要定义一个返回标量的函数。

通过蛮力在给定范围内最小化函数。

使用“蛮力”方法,即在多维点网格的每个点处计算函数的值,以找到函数的全局最小值。

文档中的无耻示例副本:

代码

import numpy as np
from scipy import optimize


params = (2, 3, 7, 8, 9, 10, 44, -1, 2, 26, 1, -2, 0.5)
def f1(z, *params):
    x, y = z
    a, b, c, d, e, f, g, h, i, j, k, l, scale = params
    return (a * x**2 + b * x * y + c * y**2 + d*x + e*y + f)

def f2(z, *params):
    x, y = z
    a, b, c, d, e, f, g, h, i, j, k, l, scale = params
    return (-g*np.exp(-((x-h)**2 + (y-i)**2) / scale))


def f3(z, *params):
    x, y = z
    a, b, c, d, e, f, g, h, i, j, k, l, scale = params
    return (-j*np.exp(-((x-k)**2 + (y-l)**2) / scale))


def f(z, *params):
    return f1(z, *params) + f2(z, *params) + f3(z, *params)

rranges = (slice(-4, 4, 0.25), slice(-4, 4, 0.25))
resbrute = optimize.brute(f, rranges, args=params, full_output=True,
                          finish=optimize.fmin)
print(resbrute[:2])  # x0, feval

输出

(array([-1.05665192,  1.80834843]), -3.4085818767996527)

蛮力函数并不是什么黑魔法,通常人们可能会考虑自己的实现。上面的 scipy-example 有一个更有趣的功能

finish : 可调用的,可选的

以蛮力最小化结果作为初始猜测调用的优化函数。 finish 应该将 func 和初始猜测作为位置参数,并将 args 作为关键字参数。它还可以将 full_output 和/或 disp 作为关键字参数。如果不使用“抛光”功能,请使用无。有关详细信息,请参阅注释。

我会推荐大多数用例(在连续空间中)。但请务必对它的作用有一些最低限度的了解,以了解您不想这样做的用例(需要离散空间结果;缓慢的函数评估)。

如果您使用的是 sklearn,则您已经安装了 scipy(这是一个依赖项)。

编辑: 这里我创建了一些小图 (code) 以显示 finish 正在做什么 (local-opt) 与一维示例(不是最好的示例,但更容易情节):

【讨论】:

【参考方案3】:

您还可以查看贝叶斯优化。在这个github repository 你可以找到简单的实现。

不同之处在于,贝叶斯优化不会查找您输入范围内的特定值,而是查找范围内的值。

下面的示例取自他们的存储库,以便您了解实现的简单程度!

def black_box_function(x, y):
    """Function with unknown internals we wish to maximize.

    This is just serving as an example, for all intents and
    purposes think of the internals of this function, i.e.: the process
    which generates its output values, as unknown.
    """
    return -x ** 2 - (y - 1) ** 2 + 1

from bayes_opt import BayesianOptimization

# Bounded region of parameter space
pbounds = 'x': (2, 4), 'y': (-3, 3)

optimizer = BayesianOptimization(
    f=black_box_function,
    pbounds=pbounds,
    random_state=1,
)

optimizer.maximize(
    init_points=2,
    n_iter=3,
)

print(optimizer.max)
>>> 'target': -4.441293113411222, 'params': 'y': -0.005822117636089974, 'x': 2.104665051994087

【讨论】:

感谢分享这个 repo,但是,我想使用 pbounds 作为整数值,比如 'x': (11 , 20) 只选择 11 到 20 之间的整数值进行优化,是这可能是因为我的代码中有错误【参考方案4】:

Sklearn 也可以独立于机器学习主题使用,因此,为了完整起见,

我建议:

from sklearn.model_selection import ParameterGrid
param_grid = 'value_1': [1, 2, 3], 'value_2': [0, 1, 2, 3, 5]
for params in ParameterGrid(param_grid):
    function(params['value_1'], params['value_2'])

查找详细文档here。

【讨论】:

我相信您忘记使用从 sklearn.model_selection 导入的 ParameterGrid 类。事实上,这个答案没有多大意义。

以上是关于Python:没有机器学习的网格搜索?的主要内容,如果未能解决你的问题,请参考以下文章

支持向量机的机器学习网格搜索

机器学习交叉验证和网格搜索

python机器学习基础 机器学习实战

机器学习交叉验证和网格搜索案例分析

机器学习调参与贝叶斯优化及其典型python实现hyperopt

Python机器学习及实践——进阶篇6(超参数搜索)