Představení Grid Search

Hyperparameter Tuning in Python

Alex Scriven

Data Scientist

Automatizace 2 hyperparametrů

Vaše předchozí práce:

neighbors_list = [3,5,10,20,50,75]
accuracy_list = []
for test_number in neighbors_list:
    model = KNeighborsClassifier(n_neighbors=test_number)
    predictions = model.fit(X_train, y_train).predict(X_test)
    accuracy = accuracy_score(y_test, predictions)
    accuracy_list.append(accuracy)

Výsledky jsme pak shromáždili v datovém rámci pro analýzu.

Automatizace 2 hyperparametrů

Co testování hodnot 2 hyperparametrů?

Použijeme algoritmus GBM:

learn_rate [0.001, 0.01, 0.05]
max_depth [4,6,8,10]

Můžeme použít (vnořenou) smyčku for!

Automatizace 2 hyperparametrů

Nejprve funkce pro vytvoření modelu:

def gbm_grid_search(learn_rate, max_depth):
    model = GradientBoostingClassifier(
            learning_rate=learn_rate,
            max_depth=max_depth)

    predictions = model.fit(X_train, y_train).predict(X_test)

    return([learn_rate, max_depth, accuracy_score(y_test, predictions)])

Automatizace 2 hyperparametrů

Nyní procházíme seznamy hyperparametrů a voláme funkci:

results_list = []

for learn_rate in learn_rate_list:
    for max_depth in max_depth_list:
        results_list.append(gbm_grid_search(learn_rate,max_depth))

Automatizace 2 hyperparametrů

Výsledky můžeme také vložit do DataFrame a vypsat:

results_df = pd.DataFrame(results_list, columns=['learning_rate', 'max_depth', 'accuracy'])
print(results_df)

tabulka výsledků

Kolik modelů?

Přidáním více hyperparametrů a hodnot vzniká mnohem více modelů.

Vztah není lineární, ale exponenciální
Jedna další hodnota hyperparametru není jen jeden model
5 hodnot pro Hyperparametr 1 a 10 pro Hyperparametr 2 = 50 modelů!

Co křížová validace?

10násobná křížová validace by vytvořila 50×10 = 500 modelů!

Od 2 k N hyperparametrům

Co přidat více hyperparametrů?

Můžeme vnořit smyčky!

# Adjust the list of values to test
learn_rate_list = [0.001, 0.01, 0.1, 0.2, 0.3, 0.4, 0.5]
max_depth_list = [4,6,8, 10, 12, 15, 20, 25, 30]
subsample_list = [0.4,0.6, 0.7, 0.8, 0.9]
max_features_list = ['auto', 'sqrt']

Od 2 k N hyperparametrům

Upravíme funkci:

def gbm_grid_search(learn_rate, max_depth,subsample,max_features):
    model = GradientBoostingClassifier(
        learning_rate=learn_rate, 
        max_depth=max_depth,
        subsample=subsample,
        max_features=max_features)
    predictions = model.fit(X_train, y_train).predict(X_test)
    return([learn_rate, max_depth, accuracy_score(y_test, predictions)])

Od 2 k N hyperparametrům

Úprava smyčky (vnoření):

for learn_rate in learn_rate_list:
    for max_depth in max_depth_list:
        for subsample in subsample_list:
            for max_features in max_features_list:
                results_list.append(gbm_grid_search(learn_rate,max_depth,
                                     subsample,max_features))
results_df = pd.DataFrame(results_list, columns=['learning_rate',
                         'max_depth', 'subsample', 'max_features','accuracy'])
print(results_df)

Od 2 k N hyperparametrům

Kolik modelů teď?

7×9×5×2 = 630 (6 300 s křížovou validací!)

Vnořovat donekonečna nelze!

A co kdybychom chtěli:

Detaily o době trénování a skóre
Detaily o skóre křížové validace