Wprowadzenie do przeszukiwania siatki

Strojenie hiperparametrów w Pythonie

Alex Scriven

Data Scientist

Automatyzacja 2 hiperparametrów

Poprzedni kod:

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)

Wyniki zostały zebrane w ramce danych do analizy.

Automatyzacja 2 hiperparametrów

Co z testowaniem wartości 2 hiperparametrów?

Przy użyciu algorytmu GBM:

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

Można użyć (zagnieżdżonej) pętli for!

Automatyzacja 2 hiperparametrów

Najpierw funkcja tworząca model:

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)])

Automatyzacja 2 hiperparametrów

Iteracja przez listy hiperparametrów z wywołaniem funkcji:

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))

Automatyzacja 2 hiperparametrów

Wyniki można umieścić w ramce danych i wydrukować:

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

tabela wyników

Ile modeli?

Dodanie kolejnych hiperparametrów i wartości generuje znacznie więcej modeli.

Zależność jest wykładnicza, nie liniowa
Jedna dodatkowa wartość hiperparametru to nie tylko jeden model
5 wartości dla Hiperparametru 1 i 10 dla Hiperparametru 2 to 50 modeli!

A co z kross-walidacją?

10-krotna kross-walidacja oznacza 50x10 = 500 modeli!

Od 2 do N hiperparametrów

Co z dodaniem kolejnych hiperparametrów?

Można zagnieżdżać pętlę!

# 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 do N hiperparametrów

Zmodyfikowana funkcja:

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 do N hiperparametrów

Zmodyfikowana pętla (zagnieżdżona):

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 do N hiperparametrów

Ile modeli teraz?

7x9x5x2 = 630 (6 300 przy kross-walidacji!)

Nie można zagnieżdżać pętli bez końca!

A co, jeśli potrzebne są:

Szczegóły czasu uczenia i wyników
Szczegóły wyników kross-walidacji