1、手動調參，但這種方法依賴于大量的經驗，而且比較費時。

許多情況下，工程師依靠試錯法手工調整超參數進行優化，有經驗的工程師可以在很大程度上判斷如何設置超參數，從而提高模型的準確性。

2、網格化尋優，是最基本的超參數優化方法。

利用這種技術，我們只需要為所有超參數的可能性建立一個獨立的模型，評估每個模型的性能，選擇產生最佳結果的模型和超參數。

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、隨機尋優，可以更準確地確定某些重要超參數的最佳值。

并非所有的超參數都有同樣的重要性，有些超參數的作用更加明顯。

知識點擴充：

貝葉斯優化方法

簡單地說，貝葉斯優化通過基于過去對目標的評估結果建立一個代理函數（概率模型）找到使得目標函數最小的值。代理函數比目標函數更易于優化，因此下一個待評估的輸入值是通過對代理函數應用某種標準（通常為預期提升）來選擇的。貝葉斯方法不同于隨機搜索或網格搜索，后兩者都使用了過去的評估結果來選擇接下來待評估的值。它們的思想是：通過根據過去表現良好的值選擇下一個輸入值來限制評價目標函數的高昂開銷。

對于超參數優化來說，其目標函數為使用一組超參數的機器學習模型的驗證誤差。它的目標是找出在驗證集上產生最小誤差的超參數，并希望將這些結果泛化到測試集上去。對目標函數評估的開銷是巨大的，因為它需要訓練帶有一組特定超參數的機器學習模型。理想情況下，我們希望找到這樣一方法，它既能探索搜索空間，又能限制耗時的超參數評估。貝葉斯超參數調優使用一個不斷更新的概率模型，通過從過去的結果中進行推理，使搜索過程「專注」于有可能達到最優的超參數。

Python 環境下有一些貝葉斯優化程序庫，它們目標函數的代理算法有所區別。在本文中，我們將使用「Hyperopt」庫，它使用樹形 Parzen 評估器（TPE，https://papers.nips.cc/paper/4443-algorithms-for-hyper-parameter-optimization.pdf）作為搜索算法，其他的 Python 庫還包含「Spearmint」（高斯過程代理）和「SMAC」（隨即森林回歸）。目前在這個領域有大量有趣的研究，所以如果你對某一個庫不是很滿意，你可以試試其他的選項！針對某個問題的通用結構（本文將使用的結構）可以在各個庫間進行轉換，其句法差異非常小。

到此這篇關于python超參數優化的具體方法的文章就介紹到這了,更多相關python超參數如何優化內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！