Căutarea aleatorie în Scikit-Learn

Ajustarea hiperparametrilor în Python

Alex Scriven

Data Scientist

Comparație cu GridSearchCV

Nu trebuie să reinventăm roata. Să reamintim pașii pentru o căutare Grid:

Alegerea unui algoritm/estimator
Definirea hiperparametrilor de ajustat
Definirea intervalului de valori pentru fiecare hiperparametru
Stabilirea schemei de validare încrucișată; și
Definirea unei funcții de scor
Includerea de informații sau funcții suplimentare

Comparație cu Grid Search

Există o singură diferență:

Pasul 7 = Stabilirea numărului de eșantioane (apoi eșantionarea)

Atât! (în mare)

Compararea modulelor Scikit-Learn

Modulele sunt similare:

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')

Diferențe cheie

Două diferențe esențiale:

n_iter reprezintă numărul de eșantioane pe care căutarea aleatorie le extrage din grid. În exemplul anterior, s-au utilizat 300.
param_distributions diferă ușor față de param_grid, permițând opțional specificarea unei distribuții pentru eșantionare.
- În mod implicit, toate combinațiile au șanse egale de a fi selectate.

Construirea unui obiect RandomizedSearchCV

Putem construi un obiect de căutare aleatorie similar cu cel de tip grid, cu o mică modificare:

# 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

Construirea unui obiect RandomizedSearchCV

Acum putem construi obiectul

# 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 rezultatelor

Rezultatul este identic!

Cum verificăm ce valori de hiperparametri au fost alese?

Dicționarul cv_results_ (în coloanele param_ relevante)!

Extragerea listelor:

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

Analiza rezultatelor

Construirea vizualizării:

# 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 rezultatelor

Un grafic similar cu cel anterior:

grafic acoperire căutare aleatorie

Passons à la pratique !

Ajustarea hiperparametrilor în Python