一种超参数优化技术-Hyperopt

作者|GUEST BLOG

编译|VK

来源|Analytics Vidhya

介绍

在机器学习项目中，你需要遵循一系列步骤，直到你达到你的目标，你必须执行的步骤之一就是对你选择的模型进行超参数优化。此任务总是在模型选择过程之后完成（选择性能优于其他模型的最佳模型）。

什么是超参数优化？

在定义超参数优化之前，你需要了解什么是超参数。简言之，超参数是用来控制学习过程的不同参数值，对机器学习模型的性能有显著影响。

随机森林算法中超参数的例子是估计器的数目（ n_estimators ）、最大深度（ max_depth ）和准则。这些参数是可调的，可以直接影响训练模型的好坏。

超参数优化就是寻找合适的超参数值组合，以便在合理的时间内实现对数据的最大性能。它对机器学习算法的预测精度起着至关重要的作用。因此，超参数优化被认为是建立机器学习模型中最困难的部分。

大多数机器学习算法都带有默认的超参数值。默认值在不同类型的机器学习项目中并不总是表现良好，这就是为什么你需要优化它们，以获得最佳性能的正确组合。

好的超参数可以使一个算法发光。

有一些优化超参数的常用策略：

（a） 网格搜索

这是一种广泛使用的传统方法，它通过执行超参数调整来确定给定模型的最佳值。网格搜索通过在模型中尝试所有可能的参数组合来工作，这意味着执行整个搜索将花费大量时间，这可能会导致计算成本非常高。

注意：你可以在这里学习如何实现网格搜索: https://github.com/Davisy/Hyp...

（b） 随机搜索

在超参数值的随机组合用于为构建的模型寻找最佳解决方案时，这种方法的工作方式不同。随机搜索的缺点是有时会漏掉搜索空间中的重要点（值）。

注意：你可以在这里了解更多实现随机搜索的方法: https://github.com/Davisy/Hyp...

超参数优化技术

在本系列文章中，我将向你介绍不同的高级超参数优化技术/方法，这些技术/方法可以帮助你获得给定模型的最佳参数。我们将研究以下技术。

• Hyperopt
• Scikit Optimize
• Optuna

在本文中，我将重点介绍Hyperopt的实现。

什么是Hyperopt

Hyperopt是一个强大的python库，用于超参数优化，由jamesbergstra开发。Hyperopt使用贝叶斯优化的形式进行参数调整，允许你为给定模型获得最佳参数。它可以在大范围内优化具有数百个参数的模型。

Hyperopt的特性

Hyperopt包含4个重要的特性，你需要知道，以便运行你的第一个优化。

（a） 搜索空间

hyperopt有不同的函数来指定输入参数的范围，这些是随机搜索空间。选择最常用的搜索选项：

• hp.choice(label, options) -这可用于分类参数，它返回其中一个选项，它应该是一个列表或元组。示例:hp.choice(“criterion”, [“gini”,”entropy”,])
• hp.randint(label, upper) -可用于整数参数，它返回范围（0，upper）内的随机整数。示例：hp.randint(“max_features”,50)
• hp.uniform(label, low, high) -它返回一个介于low和high之间的值。示例：hp.uniform(“max_leaf_nodes”,1,10)

你可以使用的其他选项包括：

• hp.normal(label, mu, sigma) -这将返回一个实际值，该值服从均值为mu和标准差为sigma的正态分布
• hp.qnormal(label, mu, sigma, q) -返回一个类似round(normal(mu, sigma) / q) * q的值
• hp.lognormal(label, mu, sigma) -返回exp(normal(mu, sigma))
• hp.qlognormal(label, mu, sigma, q) -返回一个类似round(exp(normal(mu, sigma)) / q) * q的值

你可以在这里了解更多的搜索空间选项： https://github.com/hyperopt/h...

注：每个可优化的随机表达式都有一个标签（例如n_estimators）作为第一个参数。这些标签用于在优化过程中将参数选择返回给调用者。

（b） 目标函数

这是一个最小化函数，它从搜索空间接收超参数值作为输入并返回损失。这意味着在优化过程中，我们使用选定的超参数值训练模型并预测目标特征，然后评估预测误差并将其返回给优化器。优化器将决定要检查哪些值并再次迭代。你将在一个实际例子中学习如何创建一个目标函数。

（c） fmin

fmin函数是对不同的算法集及其超参数进行迭代，然后使目标函数最小化的优化函数。fmin有5个输入是：

• 最小化的目标函数
• 定义的搜索空间

• 使用的搜索算法有随机搜索、TPE（Tree-Parzen估计器）和自适应TPE。

  注意：hyperopt.rand.suggest以及hyperopt.tpe.suggest为超参数空间的顺序搜索提供逻辑。

• 最大评估数
• trials对象（可选）

例子：

from hyperopt import fmin, tpe, hp,Trials

trials = Trials()

best = fmin(fn=lambda x: x ** 2,
            space= hp.uniform('x', -10, 10),
            algo=tpe.suggest,
            max_evals=50,
            trials = trials)

print(best)

（d） 试验对象

Trials对象用于保存所有超参数、损失和其他信息，这意味着你可以在运行优化后访问它们。此外，trials 可以帮助你保存和加载重要信息，然后继续优化过程。（你将在实际示例中了解更多信息）。

from hyperopt import Trials 

trials = Trials()

在理解了Hyperopt的重要特性之后，下面将介绍Hyperopt的使用方法。

• 初始化要搜索的空间。
• 定义目标函数。
• 选择要使用的搜索算法。
• 运行hyperopt函数。
• 分析测试对象中存储的评估输出。

实践中的Hyperpot

现在你已经了解了Hyperopt的重要特性，在这个实际示例中，我们将使用移动价格数据集，任务是创建一个模型，预测移动设备的价格是0（低成本）或1（中等成本）或2（高成本）或3（非常高成本）。

安装Hyperopt

你可以从PyPI安装hyperopt。

pip install hyperopt

然后导入重要的软件包

# 导入包
import numpy as np 
import pandas as pd 
from sklearn.ensemble import RandomForestClassifier 
from sklearn import metrics
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import StandardScaler 
from hyperopt import tpe, hp, fmin, STATUS_OK,Trials
from hyperopt.pyll.base import scope

import warnings
warnings.filterwarnings("ignore")

数据集

让我们从数据目录加载数据集。以获取有关此数据集的更多信息： https://www.kaggle.com/iabhis...

# 加载数据

data = pd.read_csv("data/mobile_price_data.csv")

检查数据集的前五行。

# 读取数据

data.head()

如你所见，在我们的数据集中，我们有不同的数值特征。

让我们观察一下数据集的形状。

# 显示形状

data.shape

(2000, 21)

在这个数据集中，我们有2000行和21列。现在让我们了解一下这个数据集中的特征列表。

#显示列表 

list(data.columns)

[‘battery_power’, ‘blue’, ‘clock_speed’, ‘dual_sim’, ‘fc’, ‘four_g’, ‘int_memory’, ‘m_dep’, ‘mobile_wt’, ‘n_cores’, ‘pc’, ‘px_height’, ‘px_width’, ‘ram’, ‘sc_h’, ‘sc_w’, ‘talk_time’, ‘three_g’, ‘touch_screen’, ‘wifi’, ‘price_range’]

你可以在这里找到每个列名的含义： https://www.kaggle.com/iabhis...

将数据集分解为目标特征和独立特征

这是一个分类问题，我们将从数据集中分离出目标特征和独立特征。我们的目标是价格区间。

# 将数据拆分为特征和目标

X = data.drop("price_range", axis=1).values 
y = data.price_range.values

预处理数据集

然后使用scikit-learn中的StandardScaler方法对独立特征进行标准化。

# 标准化特征变量

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

为优化定义参数空间

我们将使用随机森林算法的三个超参数，即n_estimators、max_depth和criterion。

space = {
    "n_estimators": hp.choice("n_estimators", [100, 200, 300, 400,500,600]),
    "max_depth": hp.quniform("max_depth", 1, 15,1),
    "criterion": hp.choice("criterion", ["gini", "entropy"]),
}

我们在上面选择的超参数中设置了不同的值。然后定义目标函数。

定义最小化函数（目标函数）

我们的最小化函数称为超参数调整，优化其超参数的分类算法是随机森林。我使用交叉验证来避免过拟合，然后函数将返回一个损失值及其状态。

# 定义目标函数

def hyperparameter_tuning(params):
    clf = RandomForestClassifier(**params,n_jobs=-1)
    acc = cross_val_score(clf, X_scaled, y,scoring="accuracy").mean()
    return {"loss": -acc, "status": STATUS_OK}

注意：记住hyperopt最小化了函数，所以我在acc中添加了负号：

微调模型

最后，首先实例化Trial 对象，对模型进行微调，然后用其超参数值打印出最佳损失。

# 初始化Trial 对象
trials = Trials()

best = fmin(
    fn=hyperparameter_tuning,
    space = space, 
    algo=tpe.suggest, 
    max_evals=100, 
    trials=trials
)

print("Best: {}".format(best))

100%|█████████████████████████████████████████████████████████| 100/100 [10:30<00:00, 6.30s/trial, best loss: -0.8915] Best: {‘criterion’: 1, ‘max_depth’: 11.0, ‘n_estimators’: 2}.

在进行超参数优化后，损失为-0.8915，使用随机森林分类器中的n_estimators=300，max_depth=11，criterian=“entropy”，模型性能的准确率为89.15%。

使用trials对象分析结果

trials对象可以帮助我们检查在实验期间计算的所有返回值。

（一）trials.results

这显示搜索期间“objective”返回的词典列表。

trials.results

[{‘loss’: -0.8790000000000001, ‘status’: ‘ok’}, {‘loss’: -0.877, ‘status’: ‘ok’}, {‘loss’: -0.768, ‘status’: ‘ok’}, {‘loss’: -0.8205, ‘status’: ‘ok’}, {‘loss’: -0.8720000000000001, ‘status’: ‘ok’}, {‘loss’: -0.883, ‘status’: ‘ok’}, {‘loss’: -0.8554999999999999, ‘status’: ‘ok’}, {‘loss’: -0.8789999999999999, ‘status’: ‘ok’}, {‘loss’: -0.595, ‘status’: ‘ok’},…….]

（二）trials.losses()

这显示了一个损失列表

trials.losses()

[-0.8790000000000001, -0.877, -0.768, -0.8205, -0.8720000000000001, -0.883, -0.8554999999999999, -0.8789999999999999, -0.595, -0.8765000000000001, -0.877, ………]

（三）trials.statuses()

这将显示状态字符串的列表。

trials.statuses()

[‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ‘ok’, ……….]

注：这个试验对象可以保存，传递到内置的绘图例程，或者用你自己的自定义代码进行分析。

结尾

恭喜你，你已经完成了这篇文章

你可以在此处下载本文中使用的数据集和笔记本： https://github.com/Davisy/Hyp...

原文链接： https://www.analyticsvidhya.c...