贝叶斯优化算法python实例_贝叶斯优化(Bayesian Optimization)只需要看这一篇就够了,算法到python实现...

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

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

安装

pip install bayesian-optimization

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

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。。。