T O P

[资源分享]     贝叶斯优化(Bayesian Optimization)只需要看这一篇就够了,算法到python实现

  • By - 楼主

  • 2019-12-26 11:13:28
  • 贝叶斯优化 (BayesianOptimization)

    1 问题提出

    神经网咯是有许多超参数决定的,例如网络深度,学习率,正则等等。如何寻找最好的超参数组合,是一个老人靠经验,新人靠运气的任务。

    穷举搜索 Grid Search 效率太低;随机搜索比穷举搜索好一点;目前比较好的解决方案是贝叶斯优化

    1.1 贝叶斯优化的优点

    • 贝叶斯调参采用高斯过程,考虑之前的参数信息,不断地更新先验;网格搜索未考虑之前的参数信息
    • 贝叶斯调参迭代次数少,速度快;网格搜索速度慢,参数多时易导致维度爆炸
    • 贝叶斯调参针对非凸问题依然稳健;网格搜索针对非凸问题易得到局部优最

    2 详细算法

    这个博客写的不错,但是需要一定的数学基础

    3 python实现

    3.1 贝叶斯初步优化

    这里本来想用kaggle的lgb贝叶斯优化,但是对新手不太友好,就使用这个博客中的例子

    1. 安装
    pip install bayesian-optimization
    
    1. 准备工作(使用随机森林作为模型进行参数优化)
    from sklearn.datasets import make_classification
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.cross_validation import cross_val_score
    from bayes_opt import BayesianOptimization
    
    # 产生随机分类数据集,10个特征, 2个类别
    x, y = make_classification(n_samples=1000,n_features=10,n_classes=2)
    

    sklearn.cross_validation 已经废弃,改为:sklearn.model_selection
    不调参数的结果:

    rf = RandomForestClassifier()
    print(np.mean(cross_val_score(rf, x, y, cv=20, scoring='roc_auc')))
    
    >>> 0.965162
    
    1. 贝叶斯优化
      先要定义一个目标函数。比如此时,函数输入为随机森林的所有参数,输出为模型交叉验证5次的AUC均值,作为我们的目标函数。因为bayes_opt库只支持最大值,所以最后的输出如果是越小越好,那么需要在前面加上负号,以转为最大值。
    def rf_cv(n_estimators, min_samples_split, max_features, max_depth):
        val = cross_val_score(
            RandomForestClassifier(n_estimators=int(n_estimators),
                min_samples_split=int(min_samples_split),
                max_features=min(max_features, 0.999), # float
                max_depth=int(max_depth),
                random_state=2
            ),
            x, y, scoring='roc_auc', cv=5
        ).mean()
        return val
    

    建立贝叶斯优化对象

     rf_bo = BayesianOptimization(
            rf_cv,
            {'n_estimators': (10, 250),
            'min_samples_split': (2, 25),
            'max_features': (0.1, 0.999),
            'max_depth': (5, 15)}
        )
    

    里面的第一个参数是我们的优化目标函数,第二个参数是我们所需要输入的超参数名称,以及其范围。超参数名称必须和目标函数的输入名称一一对应。

    开始优化:

    rf_bo.maximize()
    

    优化结果:

    |   iter    |  target   | max_depth | max_fe... | min_sa... | n_esti... |
    -------------------------------------------------------------------------
    |  1        |  0.9758   |  7.261    |  0.7852   |  17.35    |  231.3    |
    |  2        |  0.9725   |  9.361    |  0.1805   |  12.82    |  185.7    |
    |  3        |  0.9761   |  6.576    |  0.6609   |  15.19    |  12.12    |
    |  4        |  0.9711   |  6.679    |  0.1358   |  10.07    |  223.1    |
    |  5        |  0.9768   |  7.614    |  0.563    |  12.94    |  247.5    |
    |  6        |  0.9744   |  14.74    |  0.7134   |  24.53    |  245.1    |
    |  7        |  0.953    |  5.275    |  0.1552   |  24.75    |  10.72    |
    |  8        |  0.9748   |  5.318    |  0.8218   |  2.634    |  77.82    |
    |  9        |  0.9607   |  15.0     |  0.999    |  2.0      |  10.0     |
    |  10       |  0.9654   |  5.007    |  0.2314   |  2.315    |  10.24    |
    |  11       |  0.9701   |  14.89    |  0.976    |  24.45    |  118.8    |
    |  12       |  0.9743   |  14.98    |  0.6535   |  23.94    |  53.86    |
    |  13       |  0.972    |  14.09    |  0.7797   |  2.199    |  142.2    |
    |  14       |  0.9722   |  14.88    |  0.8909   |  9.471    |  64.05    |
    |  15       |  0.976    |  5.195    |  0.8093   |  24.1     |  145.6    |
    |  16       |  0.9715   |  5.136    |  0.9308   |  4.38     |  35.74    |
    |  17       |  0.9747   |  5.195    |  0.9876   |  24.68    |  78.97    |
    |  18       |  0.9747   |  5.249    |  0.9799   |  24.72    |  248.5    |
    |  19       |  0.9745   |  5.235    |  0.8297   |  4.737    |  120.6    |
    |  20       |  0.9711   |  14.88    |  0.9794   |  23.83    |  179.4    |
    |  21       |  0.9739   |  5.495    |  0.9039   |  2.218    |  161.8    |
    |  22       |  0.9757   |  8.063    |  0.2147   |  13.45    |  247.3    |
    |  23       |  0.9723   |  14.59    |  0.8999   |  2.442    |  249.0    |
    |  24       |  0.9741   |  5.035    |  0.8009   |  13.7     |  56.69    |
    |  25       |  0.9701   |  13.11    |  0.9747   |  12.36    |  93.52    |
    |  26       |  0.9744   |  5.083    |  0.9857   |  24.38    |  205.5    |
    |  27       |  0.9741   |  14.99    |  0.7923   |  17.87    |  30.14    |
    |  28       |  0.9738   |  5.038    |  0.973    |  13.42    |  142.2    |
    |  29       |  0.9724   |  14.81    |  0.7962   |  2.028    |  187.0    |
    |  30       |  0.9734   |  5.378    |  0.9614   |  14.71    |  24.68    |
    =========================================================================
    

    寻找最大值:

    rf_bo.res["max"]
    

    但是我使用这个就会报错,所以就简单写了一个循环寻找最大值的索引:

    index = []
    for i in rf_bo.res:
        index.append(i['target'])
    max_index = index.index(max(index))
    

    3.2 贝叶斯进阶优化

    上面bayes算法得到的参数并不一定最优,当然我们会遇到一种情况,就是我们已经知道有一组或是几组参数是非常好的了,我们想知道其附近有没有更好的。这个操作相当于上文bayes优化中的Explore操作,而bayes_opt库给了我们实现此方法的函数:

    rf_bo.explore(
        {'n_estimators': [10, 100, 200],
            'min_samples_split': [2, 10, 20],
            'max_features': [0.1, 0.5, 0.9],
            'max_depth': [5, 10, 15]
        }
    )
    

    这里我们添加了三组较优的超参数,让其在该参数基础上进行explore,可能会得到更好的结果。

    同时,我们还可以修改高斯过程的参数,高斯过程主要参数是核函数(kernel),还有其他参数可以参考sklearn.gaussianprocess:

    gp_param={'kernel':None}
    rf_bo.maximize(**gp_param)
    

    如果kernel是None,1.0 * RBF(1.0)被用来当成默认的kernel。

    但是从某种角度上来说,贝叶斯优化也是另外一种瞎猜。。。

    本帖子中包含资源

    您需要 登录 才可以下载,没有帐号?立即注册