以下使用scikit-learn中數據集進行分享。
如果選用隨機森林作爲最終的模型,那麼找出它的最佳參數可能有1000多種組合的可能,你可以使用使用窮盡的網格搜索(Exhaustive Grid Seaarch)方法,但時間成本將會很高(運行很久...),或者使用隨機搜索(Randomized Search)方法,僅分析超參數集合中的子集合。
該例子以手寫數據集爲例,使用支持向量機的方法對數據進行建模,然後調用scikit-learn中validation_surve方法將模型交叉驗證的結果進行可視化。需要注意的是,在使用validation_curve方法時,只能驗證一個超參數與模型訓練集和驗證集得分的關係(即二維的可視化),而不能實現多參數與得分間關係的可視化。以下搜索的參數是gamma,需要給定參數範圍,用param_range進行傳遞,評分策略用scoring參數進行傳遞。其代碼示例如下所示:
print(__doc__) import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import load_digits from sklearn.svm import SVC from sklearn.model_selection import validation_curve X, y = load_digits(return_X_y=True) param_range = np.logspace(-6, -1, 5) train_scores, test_scores = validation_curve( SVC(), X, y, param_name="gamma", param_range=param_range, scoring="accuracy", n_jobs=1) train_scores_mean = np.mean(train_scores, axis=1) train_scores_std = np.std(train_scores, axis=1) test_scores_mean = np.mean(test_scores, axis=1) test_scores_std = np.std(test_scores, axis=1) plt.title("Validation Curve with SVM") plt.xlabel(r"$\gamma$") plt.ylabel("Score") plt.ylim(0.0, 1.1) lw = 2 plt.semilogx(param_range, train_scores_mean, label="Training score", color="darkorange", lw=lw) plt.fill_between(param_range, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, alpha=0.2, color="darkorange", lw=lw) plt.semilogx(param_range, test_scores_mean, label="Cross-validation score", color="navy", lw=lw) plt.fill_between(param_range, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, alpha=0.2, color="navy", lw=lw) plt.legend(loc="best") plt.show();
代碼中:
X, y = load_digits(return_X_y=True) # 等價於 digits = load_digits() X_digits = digits.data y_digits = digits.target
以下是支持向量機的驗證曲線,調節的超參數gamma共有5個值,每一個點的分數是五折交叉驗證(cv=5)的均值。
當想看模型多個超參數與模型評分之間的關係時,使用scikit-learn中validation curve就難以實現,因此可以考慮繪製三維座標圖。
主要用plotly的庫繪製3D Scatter(3d散點圖)。以下的例子使用scikit-learn中的鶯尾花的數據集(iris)。以下例子選用隨機森林模型(RandomForestRegressor),利用scikit-learn中的GridSearchCV方法調試最佳超參(tuning hyper-parameters),分別設置超參數"n_estimators","max_features","min_samples_split"的參數範圍,詳見代碼如下:
import numpy as np from sklearn.model_selection import validation_curve from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestRegressor from plotly.offline import iplot from plotly.graph_objs as go model = RandomForestRegressor(n_jobs=-1, random_state=2, verbose=2) grid = {'n_estimators': [10,110,200], 'max_features': [0.05, 0.07, 0.09, 0.11, 0.13], 'min_samples_split': [2, 3, 5, 8]} rf_gridsearch = GridSearchCV(estimator=model, param_grid=grid, n_jobs=4, cv=5, verbose=2, return_train_score=True) rf_gridsearch.fit(X, y) # and after some hours... df_gridsearch = pd.DataFrame(rf_gridsearch.cv_results_) trace = go.Scatter3d( x=df_gridsearch['param_max_features'], y=df_gridsearch['param_n_estimators'], z=df_gridsearch['param_min_samples_split'], mode='markers', marker=dict( # size=df_gridsearch.mean_fit_time ** (1 / 3), size = 10, color=df_gridsearch.mean_test_score, opacity=0.99, colorscale='Viridis', colorbar=dict(title = 'Test score'), line=dict(color='rgb(140, 140, 170)'), ), text=df_gridsearch.Text, hoverinfo='text' ) data = [trace] layout = go.Layout( title='3D visualization of the grid search results', margin=dict( l=30, r=30, b=30, t=30 ), scene = dict( xaxis = dict( title='max_features', nticks=10 ), yaxis = dict( title='n_estimators', ), zaxis = dict( title='min_samples_split', ), ), ) fig = go.Figure(data=data, layout=layout) iplot(fig)
其運行結果如果,是一個三維散點圖(3D Scatter)。
可以看到顏色越淺,分數越高。n_estimators(子估計器)越多,分數越高,max_features的變化對模型分數的影響較小,在圖中看不到變化,min_samples_split的個數並不是越高越好,但與模型分數並不呈單調關係,在min_samples_split取2時(此時,其它條件不變),模型分數最高。
除了使用scikit-learn中validation curve繪製超參數與得分的可視化,還可以利用seaborn庫中heatmap方法來實現兩個超參數之間的關係圖,如下代碼示例:
import seaborn as sns title = '''Maximum R2 score on test set VS max_features, min_samples_split''' sns.heatmap(max_scores.mean_test_score, annot=True, fmt='.4g'); plt.title(title); plt.savefig("heatmap_test.png", dpi = 300);
import seaborn as sns title = '''Maximum R2 score on train set VS max_features, min_samples_split''' sns.heatmap(max_scores.mean_train_score, annot=True, fmt='.4g'); plt.title(title); plt.savefig("heatmap_train.png", dpi = 300);
max_features和min_samples與模型得分關係的可視化如下圖所示(分別爲網格搜索中測試集和訓練集的得分):
由於一般人很難迅速的在大量數據中找到隱藏的關係,因此,可以考慮繪圖,將數據關係以圖表的形式,清晰的顯現出來。
綜上,當關注單個超參數的學習曲線時,可以使用scikit-learn中validation curve,找到拐點,作爲模型的最佳參數。
當關注兩個超參數的共同變化對模型分數的影響時,可以使用seaborn庫中的heatmap方法,製作“熱圖”,以找到超參數協同變化對分數影響的趨勢。
當關注三個參數的協同變化與模型得分的關係時,可以使用poltly庫中的iplot和go方法,繪製3d散點圖(3D Scatter),將其協同變化對模型分數的影響展現在高維圖中。
(1)獲取更多優質內容及精彩資訊,可前往:https://www.cda.cn/?seo
(2)瞭解更多數據領域的優質課程: