答案 0 :(得分:2)
您可以使用分数方法创建自定义管道/估算工具(请参阅链接http://scikit-learn.org/dev/developers/contributing.html#rolling-your-own-estimator)以比较结果。
ParameterGrid也可能对您有所帮助。它将自动填充所有超参数设置。
答案 1 :(得分:1)
您可能会考虑scipy的optimize.brute,它基本上是相同的,尽管在API使用方面没有那么受限制。您只需要定义一个返回标量的函数。
通过暴力将特定范围内的函数最小化。
使用“强力”方法,即在多维点网格的每个点计算函数的值,以找到函数的全局最小值。
来自文档的无耻示例副本:
import numpy as np
from scipy import optimize
params = (2, 3, 7, 8, 9, 10, 44, -1, 2, 26, 1, -2, 0.5)
def f1(z, *params):
x, y = z
a, b, c, d, e, f, g, h, i, j, k, l, scale = params
return (a * x**2 + b * x * y + c * y**2 + d*x + e*y + f)
def f2(z, *params):
x, y = z
a, b, c, d, e, f, g, h, i, j, k, l, scale = params
return (-g*np.exp(-((x-h)**2 + (y-i)**2) / scale))
def f3(z, *params):
x, y = z
a, b, c, d, e, f, g, h, i, j, k, l, scale = params
return (-j*np.exp(-((x-k)**2 + (y-l)**2) / scale))
def f(z, *params):
return f1(z, *params) + f2(z, *params) + f3(z, *params)
rranges = (slice(-4, 4, 0.25), slice(-4, 4, 0.25))
resbrute = optimize.brute(f, rranges, args=params, full_output=True,
finish=optimize.fmin)
print(resbrute[:2]) # x0, feval
(array([-1.05665192, 1.80834843]), -3.4085818767996527)
暴力函数不是很多魔法,通常可以考虑自己的实现。上面的scipy示例有一个有趣的功能:
完成:可调用,可选
使用强力最小化作为初始猜测调用的优化函数。 finish应该将func和初始猜测作为位置参数,并将args作为关键字参数。它还可以将full_output和/或disp作为关键字参数。如果不使用“抛光”功能,请使用“无”。有关详细信息,请参阅注释。
我建议大多数用例(在连续空间中)。但是一定要尽量少了解这是做什么来理解有些用例你不想这样做(需要离散空间结果;慢功能评估)。
如果你正在使用sklearn,你已经安装了scipy(它是一个依赖项)。
修改:这里创建了一些小图(code)以显示{1}}正在做什么(local-opt)和1d示例(不是最好的示例) ,但更容易绘制):
答案 2 :(得分:0)
Sklearn也可以独立于机器学习主题使用,因此,出于完整性考虑,
我建议:
from sklearn.model_selection import ParameterGrid
param_grid = {'value_1': [1, 2, 3], 'value_2': [0, 1, 2, 3, 5]}
for params in grid:
function(params['value_1'], params['value_2'])
查找详细文档here。
答案 3 :(得分:0)
您还可以查看贝叶斯优化。在此 github repository 中,您可以找到简单的实现方式。
不同之处在于贝叶斯优化不会查看您输入范围内的特定值,而是查找范围内的值。
下面的示例取自他们的存储库,以便您了解实施是多么容易!
def black_box_function(x, y):
"""Function with unknown internals we wish to maximize.
This is just serving as an example, for all intents and
purposes think of the internals of this function, i.e.: the process
which generates its output values, as unknown.
"""
return -x ** 2 - (y - 1) ** 2 + 1
from bayes_opt import BayesianOptimization
# Bounded region of parameter space
pbounds = {'x': (2, 4), 'y': (-3, 3)}
optimizer = BayesianOptimization(
f=black_box_function,
pbounds=pbounds,
random_state=1,
)
optimizer.maximize(
init_points=2,
n_iter=3,
)
print(optimizer.max)
>>> {'target': -4.441293113411222, 'params': {'y': -0.005822117636089974, 'x': 2.104665051994087}}