dask_ml.model_selection.SuccessiveHalvingSearchCV

dask_ml.model_selection.SuccessiveHalvingSearchCV

class dask_ml.model_selection.SuccessiveHalvingSearchCV(estimator, parameters, n_initial_parameters=10, n_initial_iter=None, max_iter=None, aggressiveness=3, test_size=None, patience=False, tol=0.001, random_state=None, scoring=None, verbose=False, prefix='')[源代码]

执行连续减半算法 [1]。

该算法为一定数量的 partial_fit 调用训练估计器，然后淘汰表现最差的一半。它为幸存的估计器训练两倍的时间，并重复此过程，直到一个估计器幸存。

上面的 \(1/2\) 的值用于清晰解释。此类默认会淘汰表现最差的 1 - 1 // aggressiveness 部分的模型，并对估计器进行 aggressiveness 倍时长的训练，直到剩余模型的数量小于 aggressiveness。

参数
估计器估计器对象。

每个初始超参数组合都会实例化该类型的一个对象。假设它实现了 scikit-learn 估计器接口。估计器需要提供一个 score 函数，或者必须传递 scoring。估计器必须实现 partial_fit、set_params，并且能够与 clone 良好配合。

参数dict

包含参数名称（字符串）作为键和要尝试的分布或参数列表的字典。分布必须提供用于采样的 rvs 方法（例如来自 scipy.stats.distributions 的那些）。如果给定一个列表，则均匀采样。

攻击性float, 默认值=3

在剔除不同估计器时的激进程度。较高的值意味着对评分有更高的信心（或者超参数对 estimator.score 的影响大于数据）。

n_initial_parametersint, 默认=10

采样的参数设置数量。这需要在运行时间和解决方案质量之间进行权衡。

n_initial_iter整数

在评分之前最初调用部分拟合的次数。估计器最初会进行 n_initial_iter 次 partial_fit 调用。n_initial_iter 的值越高，估计器在做出决策之前训练的时间就越长。关于 partial_fit 调用次数的元数据在 metadata``（和 ``metadata_）中。

max_iterint, 默认 None

每个模型的部分拟合调用最大次数。如果为 None，将允许 SuccessiveHalvingSearchCV 运行直到（大约）一个模型存活。如果指定，当达到 max_iter 次 partial_fit 调用时，模型将停止训练。

test_size浮动

用于计算测试分数的数据集部分。默认为输入训练集单个分区的尺寸。

备注

训练数据集应能适应单台机器的内存。根据需要调整 test_size 参数以实现这一点。

耐心int, 默认 False

如果指定，当分数在 patience 次调用 partial_fit 后没有增加 tol 时，训练将停止。默认关闭。

tolfloat, 默认值 0.001

考虑停止对该模型训练所需的改进水平。最新分数必须最多比该模型的所有先前 patience 分数好 tol。增加 tol 往往会减少训练时间，但代价是模型性能更差。

评分字符串, 可调用对象, 无。默认值: 无

一个单一的字符串（参见 The scoring parameter: defining model evaluation rules）或一个可调用的对象（参见 Defining your scoring strategy from metric functions），用于评估测试集上的预测。

如果为 None，则使用估计器的默认评分器（如果可用）。

random_stateint, RandomState 实例或 None, 可选, 默认: None

如果为整数，random_state 是随机数生成器使用的种子；如果为 RandomState 实例，random_state 是随机数生成器；如果为 None，随机数生成器是 np.random 使用的 RandomState 实例。

详细bool, float, int, optional, default: False

如果为 False（默认），则不打印日志（或将它们输出到标准输出）。但是，标准日志记录仍将被使用。

如果为真，则打印日志并使用标准日志记录。

如果是浮点数，则大约在 verbose 的时间比例内打印/记录。

前缀str, 可选, 默认=””

在记录日志时，为每条消息添加 prefix。

属性
cv_results_np.ndarrays 的字典

这个字典有键

  • mean_partial_fit_time

  • mean_score_time

  • std_partial_fit_time

  • std_score_time

  • test_score

  • rank_test_score

  • model_id

  • partial_fit_calls

  • params

  • param_{key} ，其中 key 是 params 中的每一个键。

test_score 键中的值对应于模型在保留数据集上获得的最后一个分数。键 model_id 对应于 history_。这个字典可以导入到 Pandas 中。

元数据和元数据_dict[key, int]

描述计算的字典。metadata 描述将要执行的计算，而 metadata_ 描述已经执行的计算。这两个字典都有键。

  • n_models: 本次连续减半运行的模型数量

  • max_iter: partial_fit 被调用的最大次数。至少有一个模型会有这么多次 partial_fit 调用。

  • partial_fit_calls: partial_fit 调用的总次数。所有模型总共将接收这么多次 partial_fit 调用。

当指定 patience 时，减少的计算将反映在 metadata_ 中，而不是 metadata 中。

model_history_字典列表的字典

每个模型的历史记录字典。这是对 history_ 的重新组织：相同的信息存在，但按模型组织。

这些数据具有 {model_id: hist} 的结构，其中 hist 是 history_ 的子集，而 model_id 是模型标识符。

history_字典列表

每次 partial_fit 调用后每个模型的信息。每个字典的键

  • partial_fit_time

  • score_time

  • score

  • model_id

  • params

  • partial_fit_calls

键 model_id 对应于 cv_results_ 中的 model_id。这个字典列表可以导入到 Pandas 中。

best_estimator_BaseEstimator

在“逆衰减”算法保留的所有模型中，验证分数最高的模型。

best_score_浮动

在最终调用 partial_fit 后，best_estimator_ 在验证集上取得的分数。

最佳索引_整数

指示 cv_results_ 中哪个估计器对应于最高分数的索引。

best_params_dict

在保留数据上找到的最佳参数的字典。

scorer_

用于评分模型的函数，其调用签名是 scorer_(estimator, X, y)。

n_splits_整数

交叉验证的分割数。

multimetric_布尔

此交叉验证搜索是否使用多个指标。

参考文献

1

“非随机最佳臂识别和超参数优化”，作者：Jamieson, Kevin 和 Talwalkar, Ameet。2016年。https://arxiv.org/abs/1502.07943

方法

decision_function(X)

fit(X[, y])

找到特定模型的最佳参数。

get_metadata_routing()

获取此对象的元数据路由。

get_params([deep])

获取此估计器的参数。

inverse_transform(Xt)

predict(X)

预测 X。

predict_log_proba(X)

概率估计的日志。

predict_proba(X)

概率估计。

score(X[, y])

返回给定数据的分数。

set_params(**params)

设置此估计器的参数。

set_score_request(*[, compute])

传递给 score 方法的请求元数据。

transform(X)

对dask输入进行块转换或分区转换。

partial_fit
__init__(estimator, parameters, n_initial_parameters=10, n_initial_iter=None, max_iter=None, aggressiveness=3, test_size=None, patience=False, tol=0.001, random_state=None, scoring=None, verbose=False, prefix='')[源代码]

上一页

dask_ml.model_selection.HyperbandSearchCV

下一页

dask_ml.model_selection.InverseDecaySearchCV