CDA人工智能学院:数据科学、人工智能从业者的在线学院。
数据科学(Python/R/Julia)数据分析、机器学习、深度学习
以下使用scikit-learn中数据集进行分享。
如果精选随机森林作为最终的模型,那么发现它的最佳参数可能有1000种多种组合的可能,你可以使用使用穷尽的网格搜索(Exhaustive Grid Seaarch)方法,但时间成本将会非常高(运行很久...),或者使用随机搜索(随机搜索)方法,仅分析超参数集合中的子集合。
该示例以手写数据集为例,使用支持向量机的方法对数据进行建模,然后调用scikit-learn中validation_surve方法将模型交叉验证的结果进行可视化。需要注意的是,在使用validation_curve方法时,只能验证一个超参数与模型训练集和验证集的关系(即二维的可视化),而不能实现多参数与重叠间关系的可视化。以下搜索的参数是gamma,需要给定参数范围,用param_range进行传递,评分策略用评分参数进行传递。其代码示例如下所示:
- print(__doc__)
- import matplotlib.pyplot as plt
- imoprt 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(“带有SVM的验证曲线”)
- plt.xlabel(r“ $ \ gamma $”)
- plt.ylabel(“得分”)
- 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 =“交叉验证得分”,
- 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();
代码中:
- X, y = load_digits(return_X_y=True)
- # 等价于
- digits = load_digits()
- X_digits = digits.data
- y_digits = digits.target
以下是支持向量机的验证曲线,调节的超参数gamma共有5个值,每一个点的分数是五折交叉验证(cv = 5)的均值。
当想看模型多个超参数与模型评分之间的关系时,使用scikit-learn中验证曲线就难以实现,因此可以考虑重定向三维坐标图。
主要用plotly的库放置3D Scatter(3d 散点图)。下面的示例使用scikit-learn中的莺尾花的数据集(iris)。以下示例随机森林模型(RandomForestRegressor),利用scikit-learn中的GridSearchCV方法调试最佳超参(调整超参数),分别设置超参数“ n_estimators”,“ max_features”,“ min_samples_split”的参数范围,详见代码如下:
- 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)
其运行结果如果,是一个三维散点图(3D Scatter)。
n_estimators(子估计器)越多,分数升高,max_features的变化对模型分数的影响较小,在图中看不到变化,min_samples_split的个数并非越过高越好,但与模型分数并不呈现单调关系,在min_samples_split取2时(此时,其他条件不变),模型分数最高。
除了使用scikit-learn中验证曲线以外,还可以利用seabornlib中的热图方法来实现两个超参数之间的关系图,如下示例:
- 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与模型隐藏关系的可视化如下图所示(分别为网格搜索中测试集和训练集的重叠):
由于一般人很难迅速的在大量数据中找到隐藏的关系,因此,可以考虑绘图,将数据关系以图表的形式,清晰的显示出来。
综上,当关注局部超参数的学习曲线时,可以使用scikit-learn中验证曲线,找到拐点,作为模型的最佳参数。
当关注两个超参数的共同变化对模型分数的影响时,可以使用seaborn库中的热图方法,制作“热图”,以发现超参数协同变化对分数影响的趋势。
当关注三个参数的协同变化与模型重叠的关系时,可以使用poltly库中的iplot和go方法,转换3d 散点图(3D Scatter),将其协同变化对模型分数的影响展现在高维图中。
回复“资讯”,获取更多最新人工智能前沿动态!