Náhodné hledání v Scikit-Learn

Hyperparameter Tuning in Python

Alex Scriven

Data Scientist

Srovnání s GridSearchCV

Není třeba vymýšlet nic nového. Připomeňme si kroky pro Grid Search:

Výběr algoritmu/estimátoru
Definice laděných hyperparametrů
Definice rozsahu hodnot pro každý hyperparametr
Nastavení schématu křížové validace; a
Definice skórovací funkce
Přidání dalších užitečných informací nebo funkcí

Srovnání s Grid Search

Je pouze jeden rozdíl:

Krok 7 = Rozhodnutí o počtu vzorků (a jejich odběr)

To je vše! (většinou)

Srovnání modulů Scikit-Learn

Moduly jsou si podobné:

GridSearchCV:

sklearn.model_selection.GridSearchCV(estimator, param_grid, 
        scoring=None, fit_params=None, 
        n_jobs=None,
        refit=True, cv='warn', verbose=0, 
        pre_dispatch='2*n_jobs', 
        error_score='raise-deprecating',
        return_train_score='warn')

RandomizedSearchCV:

sklearn.model_selection.RandomizedSearchCV(estimator, 
        param_distributions, n_iter=10, 
        scoring=None, fit_params=None, 
        n_jobs=None, refit=True, 
        cv='warn', verbose=0, 
        pre_dispatch='2*n_jobs',
        random_state=None, 
        error_score='raise-deprecating', 
        return_train_score='warn')

Klíčové rozdíly

Dva klíčové rozdíly:

n_iter – počet vzorků, které náhodné hledání odebere z mřížky. V předchozím příkladu bylo použito 300.
param_distributions se mírně liší od param_grid a umožňuje volitelně nastavit rozdělení pro vzorkování.
- Výchozí nastavení přiřazuje všem kombinacím stejnou pravděpodobnost výběru.

Sestavení objektu RandomizedSearchCV

Objekt náhodného hledání sestavíme podobně jako u grid search, s jednou malou změnou:

# Set up the sample space
learn_rate_list = np.linspace(0.001,2,150)
min_samples_leaf_list = list(range(1,51))

# Create the grid
parameter_grid = {
    'learning_rate' : learn_rate_list,
    'min_samples_leaf' : min_samples_leaf_list}


# Define how many samples
number_models = 10

Sestavení objektu RandomizedSearchCV

Nyní sestavíme objekt:

# Create a random search object
random_GBM_class = RandomizedSearchCV(
    estimator = GradientBoostingClassifier(),
    param_distributions = parameter_grid,
    n_iter = number_models,
    scoring='accuracy',
    n_jobs=4, 
    cv = 10,
    refit=True, 
    return_train_score = True)
# Fit the object to our data
random_GBM_class.fit(X_train, y_train)

Analýza výstupu

Výstup je naprosto stejný!

Jak zjistíme, které hodnoty hyperparametrů byly zvoleny?

Slovník cv_results_ (ve sloupcích param_)!

Extrahujeme seznamy:

rand_x = list(random_GBM_class.cv_results_['param_learning_rate'])
rand_y = list(random_GBM_class.cv_results_['param_min_samples_leaf'])

Analýza výstupu

Sestavíme vizualizaci:

# Make sure we set the limits of Y and X appriately
x_lims = [np.min(learn_rate_list), np.max(learn_rate_list)]
y_lims = [np.min(min_samples_leaf_list), np.max(min_samples_leaf_list)]

# Plot grid results    
plt.scatter(rand_y, rand_x, c=['blue']*10)
plt.gca().set(xlabel='learn_rate', ylabel='min_samples_leaf',
                title='Random Search Hyperparameters')
plt.show()

Analýza výstupu

Podobný graf jako dříve:

graf pokrytí náhodným hledáním

Pojďme si procvičit!

Hyperparameter Tuning in Python