用Scikitlearn风格的估计器简化超参数调整的hyperopt包装器。
Skperopt的Python项目详细描述
在
斯派洛特
hyperopt包装器-使用Scikit学习风格估计器简化超参数调整。在
与分类评估指标“f1”、“auc”或“准确性”以及回归“rmse”和“mse”一起使用。在
安装：
pip install skperopt
用法：
只要传入一个估计器，参数网格和Hyperopt就可以完成剩下的工作。不需要定义目标或编写hyoperopt特定的参数网格。在
配方（香草味）：
- [x] 进口SKPEROPOT
- [x] 初始化skperopt
- [x] 跑skperopt.HyperSearch.搜索在
- [x] 收集结果
下面是代码示例。在
^{pr2}$超搜索参数
- est（[sklearn estimator]必需）
any sklearn style estimator
- X（需要[pandas Dataframe]）
your training data
- y（需要[pandas Dataframe]）
your training data
- params（需要[dictionary]）
a parameter search grid
- iters（默认500[int]）
number of iterations to try before early stopping
- time\-to-u搜索（默认无[int]）
time in seconds to run for before early stopping (None = no time limit)
- cv（默认为5[int]）
number of folds to use in cross_vaidation tests
- cv_次（默认值为1[int]）
number of times to perfrom cross validation on a new random sample of the data -higher values decrease variance but increase run time
- randomState（默认10[int]）
random state for the data shuffling
- scorer（默认为“f1”[str]）
type of evaluation metric to use - accepts classification "f1","auc","accuracy" or regression "rmse" and "mse"
- verbose（默认值1[int]）
amount of verbosity
0 = none
1 = some
2 = debug
- random（默认-False）
should the data be randomized during the cross validation
- foldtype（默认为“Kfold”[str]）
type of folds to use - accepts "KFold", "Stratified"
超搜索方法
- 超搜索搜索（）（无）
Used to search the parameter grid using hyperopt. No parameters need to be passed to the function. All parameters are set during initialization.
测试
随机搜索和Skperopt搜索的150次搜索迭代的100次测试。在
Skperopt（hyperopt）比随机搜索的表现更好，产生更高的f1平均分数和更小的标准差。在
Skperopt搜索结果
f1成绩超过100次测试：
Mean 0.9340930
Standard deviation 0.0062275
随机搜索结果
f1成绩超过100次测试
Mean 0.927461652
Standard deviation 0.0063314
更新
0.0.73
- 添加了cv_times attr-在新的随机采样数据集上每次迭代运行交叉验证n次（即cv（5x5）） 这样可以减少过度装配
0.0.7
- 在
添加了FIXEDRMSE评估指标
在 - 在
增加了MSE评估指标
在
- 项目
标签：
欢迎加入QQ群-->： 979659372
