在本章的入门学习中，您将了解超参数与参数的区别。您会练习提取与分析参数，并为多种常用的机器学习算法设置超参数值。与此同时，您将学习选择要调优哪些超参数及其取值范围的实践技巧，并构建学习曲线来分析您的超参数选择。

导论与"参数"

逻辑回归中的参数

提取 Logistic Regression 的参数

提取随机森林的参数

认识超参数

随机森林中的超参数

探索随机森林的超参数

KNN 的超参数

设置与分析超参数取值

自动化选择超参数

绘制学习曲线

超参数与参数

本章将向您介绍一种常用的自动化超参数调优方法——Grid Search。您将了解它是什么、如何工作，并使用 Scikit Learn 实战完成一次 Grid Search。随后，您还将学习如何分析 Grid Search 的输出，并获得相关的实操经验。

Grid Search 简介

构建网格搜索函数

迭代调优多个超参数

会有多少个模型？

使用 Scikit Learn 进行 Grid Search

GridSearchCV 的输入

使用 Scikit Learn 的 GridSearchCV

理解 Grid Search 的输出

使用最佳输出

探索网格搜索结果

分析最佳结果

使用最佳结果

Grid search

本章将介绍另一种常用的自动化超参数调优方法——Random Search。您将了解它是什么、如何工作，以及它与 grid search 的关键差异。您还会学习该方法的优缺点，以及何时应优先选择它而非 Grid Search。您将使用 Scikit Learn 实战进行一次 Random Search，并对结果进行可视化与解读。

Random Search 简介

随机抽样超参数

使用随机森林进行随机搜索

可视化 Random Search

在 Scikit Learn 中使用 Random Search

RandomSearchCV 的输入

RandomizedSearchCV 对象

Scikit Learn 中的 RandomizedSearchCV

比较 Grid Search 与 Random Search

对比 Random Search 与 Grid Search

并排比较 Grid Search 与 Random Search

Random Search

在最后一章中，您将初步接触更高级的超参数调优方法，即"informed search"。这包括"Coarse To Fine"方法，以及 Bayesian 与 Genetic 超参数调优算法。您将学习 informed search 与 uninformed search 的区别，并分别获得这些方法的实操技能，在学习过程中进行对比与总结。

知情搜索：由粗到细

可视化 Coarse to Fine

由粗到细的迭代

知情搜索：Bayesian 统计

Python 中的贝叶斯法则

使用 Hyperopt 的贝叶斯超参数调优

知情搜索：遗传算法

使用 TPOT 进行遗传式超参数调优

分析 TPOT 的稳定性

恭喜您！

Informed Search

Credit Card Defaults

强大的机器学习模型在很大程度上取决于所用的超参数集合。随着模型越来越复杂、可选项越来越多，如何高效地为您的具体问题找到最佳设置？本课程将带您动手实践，在 Python 中使用 Scikit Learn 进行自动化超参数调优的常用方法。这些方法包括 Grid Search、Random Search，以及更高级的优化方法，如 Bayesian 与 Genetic 算法。您将基于信用卡违约预测数据集进行练习，逐步提升构建机器学习模型时的效率与效果。

作为数据科学家或机器学习科学家，构建强大的机器学习模型在很大程度上取决于所使用的一组超参数。 但随着模型越来越复杂、选项越来越多，你该如何高效地为你的特定问题找到最佳设置？答案就是超参数调优！<br><br><h2>超参数与参数</h2>
在 Python 中使用 Scikit-Learn 通过多种方法获得自动超参数调优的实践经验。 <br><br>了解超参数和参数之间的区别，以及设置和分析超参数值的最佳实践。 这个基础将帮助你理解超参数在机器学习模型中的重要性。<br><br>
<h2>网格搜索</h2>掌握多种超参数调优技术，从网格搜索开始。 使用信用卡违约数据，您将实践进行网格搜索，以穷尽式查找最佳超参数组合并解读结果。<br><br>你将了解随机搜索，并学习它相较于网格搜索的优势，例如在大参数空间中的高效性。 <br><br><h2>有指导搜索</h2>在课程的最后部分，你将探索高级优化方法，例如贝叶斯算法和遗传算法。 <br><br>
这些有信息搜索技术通过实际示例进行演示，帮助你将它们与无信息搜索方法进行比较和对照。 最终，您将全面了解如何有效优化超参数，以提升模型性能.

Supervised Learning with scikit-learn

学习Python中的自动超参数调优技术，包括网格搜索、随机搜索和信息搜索。

Python 中的超参数调优

学习 Python 中的自动超参数调优技巧，包括网格搜索、随机搜索和智能搜索。 

机器学习科学家 在 Python 中

监督机器学习 在 Python 中

Data Scientist

使用 Scikit Learn 的网格搜索

GridSearchCV 对象

网格搜索步骤

GridSearchCV 对象的输入项

GridSearchCV 的 `estimator`

GridSearchCV 的 `param_grid`

GridSearchCV 的 `cv`

GridSearchCV 的 `scoring`

GridSearchCV 的 `refit`

GridSearchCV 的 `n_jobs`

GridSearchCV 的 `return_train_score`

构建 GridSearchCV 对象

构建 GridSearchCv 对象

使用 GridSearchCV 对象

¡Vamos a practicar!

Grid search - 使用 Scikit Learn 进行 Grid Search

使用 Scikit Learn 进行 Grid Search

Create Your Free Account