Random Search w Scikit-Learn

Strojenie hiperparametrów w Pythonie

Alex Scriven

Data Scientist

Porównanie z GridSearchCV

Nie trzeba wynajdywać koła na nowo. Przypomnijmy kroki Grid Search:

Wybór algorytmu/estymatora
Określenie dostrajanych hiperparametrów
Zdefiniowanie zakresu wartości każdego hiperparametru
Ustawienie schematu walidacji krzyżowej; oraz
Wybór funkcji oceny
Dodanie dodatkowych informacji lub funkcji

Porównanie z Grid Search

Jest tylko jedna różnica:

Krok 7 = Określenie liczby próbek do pobrania (a następnie próbkowanie)

To wszystko! (w zasadzie)

Porównanie modułów Scikit-Learn

Moduły są podobne:

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')

Kluczowe różnice

Dwie kluczowe różnice:

n_iter — liczba próbek pobieranych przez losowe przeszukiwanie z siatki. W poprzednim przykładzie było ich 300.
param_distributions różni się nieco od param_grid, umożliwiając opcjonalne określenie rozkładu próbkowania.
- Domyślnie wszystkie kombinacje mają równe prawdopodobieństwo wyboru.

Budowanie obiektu RandomizedSearchCV

Możemy teraz zbudować obiekt losowego przeszukiwania podobnie jak siatkowego, z jedną małą zmianą:

# 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

Budowanie obiektu RandomizedSearchCV

Teraz możemy zbudować obiekt

# 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)

Analiza wyników

Wynik jest dokładnie taki sam!

Jak sprawdzić wybrane wartości hiperparametrów?

Słownik cv_results_ (odpowiednie kolumny param_)!

Wyodrębnij listy:

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

Analiza wyników

Budowanie wizualizacji:

# 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()

Analiza wyników

Wykres podobny do poprzedniego:

wykres pokrycia losowego wyszukiwania

Czas na ćwiczenia!

Strojenie hiperparametrów w Pythonie