python培训之超参数如何优化

　　python超参数如何优化

　　1、手动调参，但这种方法依赖于大量的经验，而且比较费时。

　　许多情况下，工程师依靠试错法手工调整超参数进行优化，有经验的工程师可以在很大程度上判断如何设置超参数，从而提高模型的准确性。

　　2、网格化寻优，是最基本的超参数优化方法。

　　利用这种技术，我们只需要为所有超参数的可能性建立一个独立的模型，评估每个模型的性能，选择产生最佳结果的模型和超参数。

　　from sklearn.datasets import load_iris

　　from sklearn.svm import SVC

　　iris = load_iris()

　　svc = SVR()

　　from sklearn.model_selection import GridSearchCV

　　from sklearn.svm import SVR

　　grid = GridSearchCV(

　　estimator=SVR(kernel='rbf'),

　　param_grid={

　　'C': [0.1, 1, 100, 1000],

　　'epsilon': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1, 5, 10],

　　'gamma': [0.0001, 0.001, 0.005, 0.1, 1, 3, 5]

　　},

　　cv=5, scoring='neg_mean_squared_error', verbose=0, n_jobs=-1)

　　3、随机寻优，可以更准确地确定某些重要超参数的最佳值。

　　并非所有的超参数都有同样的重要性，有些超参数的作用更加明显。

　　以上就是python超参数的优化方法，希望对大家有所帮助。更多Python学习指路：请关注多测师。https://www.e70w.com/xwzx/