以下使用scikit-learn中数据集进行分享。
如果选用随机森林作为最终的模型,那么找出它的最佳参数可能有1000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,但时间成本将会很高(运行很久...),或者使用随机搜索(Randomized Search)方法,仅分析超参数集合中的子集合。
该例子以手写数据集为例,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得分的关系(即二维的可视化),而不能实现多参数与得分间关系的可视化。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scoring参数进行传递。其代码示例如下所示:
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#34;)
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validation curve就难以实现,因此可以考虑绘制三维坐标图。
主要用plotly的库绘制3D Scatter(3d散点图)。以下的例子使用scikit-learn中的莺尾花的数据集(iris)。以下例子选用随机森林模型(RandomForestRegressor),利用scikit-learn中的GridSearchCV方法调试最佳超参(tuning hyper-parameters),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)。
可以看到颜色越浅,分数越高。n_estimators(子估计器)越多,分数越高,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的个数并不是越高越好,但与模型分数并不呈单调关系,在min_samples_split取2时(此时,其它条件不变),模型分数最高。
除了使用scikit-learn中validation curve绘制超参数与得分的可视化,还可以利用seaborn库中heatmap方法来实现两个超参数之间的关系图,如下代码示例:
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与模型得分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得分):
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,清晰的显现出来。
综上,当关注单个超参数的学习曲线时,可以使用scikit-learn中validation curve,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heatmap方法,制作“热图”,以找到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得分的关系时,可以使用poltly库中的iplot和go方法,绘制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。
(1)获取更多优质内容及精彩资讯,可前往:https://www.cda.cn/?seo
(2)了解更多数据领域的优质课程: