目录
全都在：sklearn.model_selection里面的https://scikit-learn.org/stable/modules/classes.html#hyper-parameter-optimizers
1 GridSearchCV：网格式暴力搜索
sklearn模块的GridSearchCV模块，可以在指定范围内自动搜索具有不同超参数的不同模型组合。很暴力，数据量大的时候计算量极大，这是不适合用。
包：from sklearn.model_selection import GridSearchCV，API:GridSearchCV
参数：GridSearchCV(estimator, param_grid, scoring=None, fit_params=None, n_jobs=1, iid=True, refit=True, cv=None, verbose=0, pre_dispatch='2*n_jobs', error_score='raise', return_train_score=True)
estimator :即我们的模型
param_grid：即我们要调参的参数列表。 比如我们用SVC分类模型的话，那么param_grid可以定义为{"C":[0.1, 1, 10], "gamma": [0.1, 0.2, 0.3]}，这样我们就会有9种超参数的组合来进行网格搜索，选择一个拟合分数最好的超平面系数。
scoring :准确度评价标准，默认None,这时需要使用score函数。需要其函数名形如：scorer(estimator, X, y)；如果是None，则使用estimator的误差估计函数。
n_jobs：并行运行的作业数。默认1。-1表示使用所有处理器。
iid:默认True,为True时，默认为各个样本误差估计为所有样本之和，而非各个加权的平均。
refit :默认为True,程序将会以交叉验证训练集得到的最佳参数
cv: S折交叉验证的折数，即将训练集分成多少份来进行交叉验证。默认是3,。如果样本较多的话，可以适度增大cv的值。
pre_dispatch：指定总共分发的并行任务数。当n_jobs大于1时，数据将在每个运行点进行复制，这可能导致OOM。
例：
from sklearn.model_selection import GridSearchCV
from sklearn import datasets, svm
from sklearn.svm import SVC
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.preprocessing import StandardScaler
seed = 1
X, y = make_circles(noise=0.2, factor=0.5, random_state=seed)
X = StandardScaler().fit_transform(X)
grid = GridSearchCV(SVC(), param_grid={"C": [0.1, 1, 10], "gamma": [1, 0.1, 0.01]}, cv=4)
grid.fit(X, y)
# print('网格搜索-度量记录：', grid.cv_results_) # 包含每次训练的相关信息的DataFrame
print('网格搜索-最佳度量值:', grid.best_score_) # 获取最佳度量值。Not available if refit=False.
print('网格搜索-最佳参数：', grid.best_params_) # 获取最佳度量值时的代定参数的值。是一个字典。Not available if refit=False.
print('网格搜索-最佳模型：', grid.best_estimator_) # 获取最佳度量时的分类器模型，Not available if refit=False.
print('网格搜索-交叉验证分割数 ：', grid.n_splits_)
# print('网格搜索-在整个数据集交叉验证最佳模型时间：', grid.refit_time_) # only if refit is not False
#
网格搜索-最佳度量值: 0.91
网格搜索-最佳参数： {'C': 10, 'gamma': 0.1}
网格搜索-最佳模型： SVC(C=10, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=3, gamma=0.1, kernel='rbf',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
网格搜索-交叉验证分割数 ： 42.RandomizedSearchCV：采样式搜索
sklearn模块的RandomizedSearchCV模块实现了参数的随机搜索，对于每个参数, 可以指定在可能值上的分布或离散选择的列表 。
当你的调节参数是连续的，比如回归问题的正则化参数，有必要指定一个连续分布而不是可能值的列表，这样RandomizeSearchCV就可以执行更好的grid search。
RandomizedSearchCV的使用方法其实是和GridSearchCV一致的，但它以随机在参数空间中采样的方式代替了GridSearchCV对于参数的网格搜索，在对于有连续变量的参数时，RandomizedSearchCV会将其当作一个分布进行采样这是网格搜索做不到的，它的搜索能力取决于设定的n_iter参数（数值越大，获得的参数精度越大，但是搜索时间越长）。
位于：sklearn.model_selection.RandomizedSearchCV API:RandomizedSearchCV
cv_results_：给出不同参数情况下的评价结果的记录
best_params_：描述了已取得最佳结果的参数的组合
best_score_：成员提供优化过程期间观察到的最好的评分
from sklearn.model_selection import RandomizedSearchCV
from sklearn import datasets, svm
import numpy as np
from sklearn.svm import SVC
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.preprocessing import StandardScaler
seed = 1
X, y = make_circles(noise=0.2, factor=0.5, random_state=seed)
X = StandardScaler().fit_transform(X)
param_dist = {'C': np.linspace(0.1, 10, 10),
'gamma': np.linspace(1, 0.01, 10)
}
grid = RandomizedSearchCV(SVC(), param_distributions=param_dist, cv=4)
grid.fit(X, y)
# refit:是否开启交叉验证估计参数，默认True
# print('随机搜索-度量记录：', grid.cv_results_) # 包含每次训练的相关信息的DataFrame
print('随机搜索-最佳度量值:', grid.best_score_) # 获取最佳度量值。Not available if refit=False.
print('随机搜索-最佳参数：', grid.best_params_) # 获取最佳度量值时的代定参数的值。是一个字典。Not available if refit=False.
print('随机搜索-最佳模型：', grid.best_estimator_) # 获取最佳度量时的分类器模型，Not available if refit=False.
print('随机搜索-交叉验证分割数 ：', grid.n_splits_)
# print('随机搜索-aaaa：', grid.refit_time_) # only if refit is not False
#
随机搜索-最佳度量值: 0.91
随机搜索-最佳参数： {'gamma': 0.22999999999999998, 'C': 2.3000000000000003}
随机搜索-最佳模型： SVC(C=2.3000000000000003, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=3, gamma=0.22999999999999998,
kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)
随机搜索-交叉验证分割数 ： 4
参考：https://blog.csdn.net/juezhanangle/article/details/80051256
https://blog.csdn.net/luanpeng825485697/article/details/79831703
3.hyperopt：贝叶斯优化
Github:https://github.com/hyperopt/hyperopt
Document:https://hyperopt.github.io/hyperopt/
安装：sudo pip install hyperopt、sudo pip install calibration、还需要安装pymongo
介绍：
3.1.构造目标函数
假设你有一个定义在某个范围内的函数，并且想把它最小化。也就是说，你想找到产生最低输出值的输入值。下面的简单例子找到x的值用于最小化线性函数y(x) = x，可以这样实现：
from hyperopt import fmin, tpe, hp
best = fmin(
fn=lambda x: x,
space=hp.uniform('x', 0, 1),
algo=tpe.suggest,
max_evals=100)
print best函数fmin接受一个函数来最小化，记为fn，在这里用一个匿名函数lambda x: x来创建函数。该函数可以是任何有效的值返回函数，例如回归中的平均绝对误差。
下一个参数指定搜索空间，在本例中，它是0到1之间的连续数字范围，由hp.uniform('x', 0, 1)指定。hp.uniform是一个内置的hyperopt函数，它有三个参数：名称x，范围的下限和上限0和1。
algo参数指定搜索算法，本例中tpe表示 tree of Parzen estimators。该主题超出了本文的范围，但有数学背景的读者可以细读这篇文章。algo参数也可以设置为hyperopt.random，但是这里我们没有涉及，因为它是众所周知的搜索策略
最后，指定fmin函数将执行的最大评估次数max_evals。这个fmin函数将返回一个python字典。
结果：上述函数的一个输出示例是{'x': 0.000269455723739237}。
二次方程：
best = fmin(
fn=lambda x: (x-1)**2,
space=hp.uniform('x', -2, 2),
algo=tpe.suggest,
max_evals=100)
print best
#{'x': 0.997369045274755}
最大化：把最大化函数加负号变成最小化，得出来的坐标就是原函数最大化坐标。
3.2搜索空间
hyperopt模块包含一些方便的函数来指定输入参数的范围。我们已经见过hp.uniform。最初，这些是随机搜索空间，但随着hyperopt更多的学习（因为它从目标函数获得更多反馈），通过它认为提供给它最有意义的反馈，会调整并采样初始搜索空间的不同部分。
以下内容将在本文中使用：
hp.choice(label, options)其中options应是 python 列表或元组。hp.normal(label, mu, sigma)其中mu和sigma分别是均值和标准差。hp.uniform(label, low, high)其中low和high是范围的下限和上限。
其他也是可用的，hp.lognormal，hp.quniform。
import hyperopt.pyll.stochastic
space = {
'x': hp.uniform('x', 0, 1),
'y': hp.normal('y', 0, 1),
'name': hp.choice('name', ['alice', 'bob']),
}
print hyperopt.pyll.stochastic.sample(space)
#随机的采样出一个结果
#{'y': -1.4012610048810574, 'x': 0.7258615424906184, 'name': 'alice'}
3.3 捕获信息
如果能看到hyperopt黑匣子内发生了什么是极好的。Trials对象使我们能够做到这一点。我们只需要导入一些东西。
STATUS_OK和Trials。Trials对象允许我们在每个时间步存储信息。然后我们可以将它们打印出来，并在给定的时间步查看给定参数的函数评估值。
from hyperopt import fmin, tpe, hp, STATUS_OK, Trials
fspace = {
'x': hp.uniform('x', -5, 5)
}
def f(params):
x = params['x']
val = x**2
return {'loss': val, 'status': STATUS_OK}
trials = Trials()
best = fmin(fn=f, space=fspace, algo=tpe.suggest, max_evals=50, trials=trials)
print('best:', best)
print('trials:')
for trial in trials.trials[:2]:#打印前2个信息
print trial
#
best: {'x': 0.014420181637303776}
trials:
{'refresh_time': None, 'book_time': None, 'misc': {'tid': 0, 'idxs': {'x': [0]}, 'cmd': ('domain_attachment', 'FMinIter_Domain'), 'vals': {'x': [1.9646918559786162]}, 'workdir': None}, 'state': 2, 'tid': 0, 'exp_key': None, 'version': 0, 'result': {'status': 'ok', 'loss': 3.8600140889486996}, 'owner': None, 'spec': None}
{'refresh_time': None, 'book_time': None, 'misc': {'tid': 1, 'idxs': {'x': [1]}, 'cmd': ('domain_attachment', 'FMinIter_Domain'), 'vals': {'x': [-3.9393509404526728]}, 'workdir': None}, 'state': 2, 'tid': 1, 'exp_key': None, 'version': 0, 'result': {'status': 'ok', 'loss': 15.518485832045357}, 'owner': None, 'spec': None}Trials对象将数据存储为BSON对象，其工作方式与JSON对象相同。BSON来自pymongo模块。我们不会在这里讨论细节，这是对于需要使用MongoDB进行分布式计算的hyperopt的高级选项，因此需要导入pymongo。回到上面的输出。tid是时间 id，即时间步，其值从0到max_evals-1。它随着迭代次数递增。'x'是键'vals'的值，其中存储的是每次迭代参数的值。'loss'是键'result'的值，其给出了该次迭代目标函数的值。
3.4可视化
这里讨论两种类型的可视化：x时间与y值，x值与y损失。
时间与值：
f, ax = plt.subplots(1)
xs = [t['tid'] for t in trials.trials]
ys = [t['misc']['vals']['x'] for t in trials.trials]
ax.set_xlim(xs[0]-10, xs[-1]+10)
ax.scatter(xs, ys, s=20, linewidth=0.01, alpha=0.75)
ax.set_title('$x$ $vs$ $t$ ', fontsize=18)
ax.set_xlabel('$t$', fontsize=16)
ax.set_ylabel('$x$', fontsize=16)值与损失：
f, ax = plt.subplots(1)
xs = [t['misc']['vals']['x'] for t in trials.trials]
ys = [t['result']['loss'] for t in trials.trials]
ax.scatter(xs, ys, s=20, linewidth=0.01, alpha=0.75)
ax.set_title('$val$ $vs$ $x$ ', fontsize=18)
ax.set_xlabel('$x$', fontsize=16)
ax.set_ylabel('$val$', fontsize=16)
3.5Iris 数据集
将介绍4个使用hyperopt在经典数据集 Iris 上调参的完整示例。 K 近邻（KNN），支持向量机（SVM），决策树和随机森林。由于我们试图最大化交叉验证的准确率，而hyperopt只知道如何最小化函数，所以必须对准确率取负
1）hyperopt来找到 K近邻（KNN）机器学习模型的最佳参数
插曲：（**params可以把字典对象当作参数传入）
1和2等价
1：
pr = {'n_neighbors': 15, 'weights': 'distance'}
clf = neighbors.KNeighborsClassifier(**pr)
2：
clf = neighbors.KNeighborsClassifier(n_neighbors=15, weights='distance')from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
def hyperopt_train_test(params):
clf = KNeighborsClassifier(**params)
return cross_val_score(clf, X, y).mean()#返回的是交叉验证的均值，越大越好
space4knn = {
'n_neighbors': hp.choice('n_neighbors', range(1,50))#k的个数
}
def f(params):
acc = hyperopt_train_test(params)#计算训练结果准确性，返回-acc最小化
return {'loss': -acc, 'status': STATUS_OK}
trials = Trials()
best = fmin(f, space4knn, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best:'
print best可以打印显示：
f, ax = plt.subplots(1)#, figsize=(10,10))
xs = [t['misc']['vals']['n'] for t in trials.trials]
#加-，转回准确率
ys = [-t['result']['loss'] for t in trials.trials]
ax.scatter(xs, ys, s=20, linewidth=0.01, alpha=0.5)
ax.set_title('Iris Dataset - KNN', fontsize=18)
ax.set_xlabel('n_neighbors', fontsize=12)
ax.set_ylabel('cross validation accuracy', fontsize=12)
迭代中判断，可以对params参数字典进行判断，在优化目标函数中依据判断进行动态调整计算。如这个，根据标准化和缩放关键字判断，对X进行处理：
# now with scaling as an option
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
def hyperopt_train_test(params):
X_ = X[:]
if 'normalize' in params:
if params['normalize'] == 1:
X_ = normalize(X_)
del params['normalize']
if 'scale' in params:
if params['scale'] == 1:
X_ = scale(X_)
del params['scale']
clf = KNeighborsClassifier(**params)
return cross_val_score(clf, X_, y).mean()
space4knn = {
'n_neighbors': hp.choice('n_neighbors', range(1,50)),
'scale': hp.choice('scale', [0, 1]),
'normalize': hp.choice('normalize', [0, 1])
}
def f(params):
acc = hyperopt_train_test(params)
return {'loss': -acc, 'status': STATUS_OK}
trials = Trials()
best = fmin(f, space4knn, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best:'
print best2）支持向量机（SVM）
iris = datasets.load_iris()
X = iris.data
y = iris.target
def hyperopt_train_test(params):
X_ = X[:]
if 'normalize' in params:
if params['normalize'] == 1:
X_ = normalize(X_)
del params['normalize']
if 'scale' in params:
if params['scale'] == 1:
X_ = scale(X_)
del params['scale']
clf = SVC(**params)
return cross_val_score(clf, X_, y).mean()
space4svm = {
'C': hp.uniform('C', 0, 20),
'kernel': hp.choice('kernel', ['linear', 'sigmoid', 'poly', 'rbf']),
'gamma': hp.uniform('gamma', 0, 20),
'scale': hp.choice('scale', [0, 1]),
'normalize': hp.choice('normalize', [0, 1])
}
def f(params):
acc = hyperopt_train_test(params)
return {'loss': -acc, 'status': STATUS_OK}
trials = Trials()
best = fmin(f, space4svm, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best:'
print best
parameters = ['C', 'kernel', 'gamma', 'scale', 'normalize']
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]
xs, ys = zip(*sorted(zip(xs, ys)))
axes[i].scatter(xs, ys, s=20, linewidth=0.01, alpha=0.25, c=cmap(float(i)/len(parameters)))
axes[i].set_title(val)
axes[i].set_ylim([0.9, 1.0])显示 ['C', 'kernel', 'gamma', 'scale', 'normalize'] VS 准确率 的关系图：
3）决策树
iris = datasets.load_iris()
X_original = iris.data
y_original = iris.target
def hyperopt_train_test(params):
X_ = X[:]
if 'normalize' in params:
if params['normalize'] == 1:
X_ = normalize(X_)
del params['normalize']
if 'scale' in params:
if params['scale'] == 1:
X_ = scale(X_)
del params['scale']
clf = DecisionTreeClassifier(**params)
return cross_val_score(clf, X, y).mean()
space4dt = {
'max_depth': hp.choice('max_depth', range(1,20)),
'max_features': hp.choice('max_features', range(1,5)),
'criterion': hp.choice('criterion', ["gini", "entropy"]),
'scale': hp.choice('scale', [0, 1]),
'normalize': hp.choice('normalize', [0, 1])
}
def f(params):
acc = hyperopt_train_test(params)
return {'loss': -acc, 'status': STATUS_OK}
trials = Trials()
best = fmin(f, space4dt, algo=tpe.suggest, max_evals=300, trials=trials)
print 'best:'
print best其准确率为97.3％。
{'max_features': 1, 'normalize': 0, 'scale': 0, 'criterion': 0, 'max_depth': 17}4）随机森林
iris = datasets.load_iris()
X_original = iris.data
y_original = iris.target
def hyperopt_train_test(params):
X_ = X[:]
if 'normalize' in params:
if params['normalize'] == 1:
X_ = normalize(X_)
del params['normalize']
if 'scale' in params:
if params['scale'] == 1:
X_ = scale(X_)
del params['scale']
clf = RandomForestClassifier(**params)
return cross_val_score(clf, X, y).mean()
space4rf = {
'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])
}
best = 0
def f(params):
global best
acc = hyperopt_train_test(params)
if acc > best:
best = acc
print 'new best:', best, params
return {'loss': -acc, 'status': STATUS_OK}
trials = Trials()
best = fmin(f, space4rf, algo=tpe.suggest, max_evals=300, trials=trials)
print 'best:'
print best总结
我们已经介绍了简单的例子，如最小化确定的线性函数，以及复杂的例子，如调整随机森林参数。hyperopt的官方文档在这里。另一篇有关 hyperopt 不错的博客位于 FastML 站点（译注：已无效）。hyperopt作者的SciPy会议论文是Hyperopt: A Python Library for Optimizing the Hyperparameters of Machine Learning Algorithms，伴随一起的视频教程。关于工程来龙去脉的更多技术处理细节可以参见Making a Science of Model Search。