Как настроить более 2 гиперпараметров в поиске по сетке в Python?

Я применяю поиск по сетке в логистической регрессии, чтобы найти комбинацию параметров, обеспечивающую наилучшую точность. В этой части кода я настроил только два гиперпараметра (скорость обучения и итерации или «n_steps»), но у меня возникают некоторые трудности, если я хочу настроить более двух параметров (например, скорость обучения, итерации и коэффициент регуляризации или «lmd»).

Примечание. Мне нужно делать все с нуля, поэтому я не могу использовать sklearn, а только numpy.

Это мой код, в котором я настроил Learning_rate и количество итераций:

max_accuracy = 0
learning_rates = [0.01, 0.02, 0.03, 0.04, 0.05, 0.001, 0.002, 0.003, 0.004, 0.005]
iterations = [1000, 1500, 2000, 2500, 3000]

parameters = []
for i in learning_rates:
    for j in iterations:
        parameters.append((i, j))
print("Possible combinations: ", parameters)

for k in range(len(parameters)):
    model = LogisticRegression(learning_rate=parameters[k][0], n_steps=parameters[k][1], n_features=X_train.shape[1], lmd=2)
    model.fit_reg(X_train, y_train, X_valid, y_valid)

    Y_pred = model.predict(X_test, thrs=0.5)

Как мне изменить код, если я хочу настроить Learning_rate, n_steps и lmd?

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
114
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Мы можем использовать приведенный ниже код, где функция grid_search принимает в качестве входных данных модель, обучающие данные X и y и словарь param_grid, который определяет гиперпараметры и их возможные значения. Функция перебирает все возможные комбинации гиперпараметров, подбирает модель под каждую комбинацию и вычисляет оценку. В конце функция возвращает комбинацию с наивысшим баллом в качестве лучших гиперпараметров и лучшего балла.


import itertools
import numpy as np

def grid_search(model, X, y, param_grid):
    best_score = -np.inf
    best_params = {}
    for combination in itertools.product(*param_grid.values()):
        params = dict(zip(param_grid.keys(), combination))
        model.set_params(**params)
        model.fit(X, y)
        score = model.score(X, y)
        if score > best_score:
            best_score = score
            best_params = params
    return best_params, best_score

param_grid = {
    'a': [1, 2, 3],
    'b': [4, 5, 6],
    'c': [7, 8, 9]
}
model = LogisticRegression()
best_params, best_score = grid_search(model, X, y, param_grid)


Ответ принят как подходящий

Я собираюсь использовать ваш код, и я изменю его как можно меньше. Я также собираюсь использовать [1, 2, 3] в качестве списка возможных значений для lmd, но вы можете изменить эти значения на те, которые хотите попробовать.

max_accuracy = 0
learning_rates = [0.01, 0.02, 0.03, 0.04, 0.05, 0.001, 0.002, 0.003, 0.004, 0.005]
iterations = [1000, 1500, 2000, 2500, 3000]
lmd = [1, 2, 3]

parameters = []
for i in learning_rates:
    for j in iterations:
        for k in lmd:
            parameters.append((i, j, k))
print("Possible combinations: ", parameters)

for k in range(len(parameters)):
    model = LogisticRegression(learning_rate=parameters[k][0], n_steps=parameters[k][1], n_features=X_train.shape[1], lmd=parameters[k][2])
    model.fit_reg(X_train, y_train, X_valid, y_valid)

Y_pred = model.predict(X_test, thrs=0.5)

По сути, чтобы добавить третий гиперпараметр, вы просто добавляете третий список, который вы собираетесь перебирать, чтобы создать свой список гиперпараметров, и дополнительный вложенный цикл for для добавления всех возможных комбинаций гиперпараметров. Вы можете сделать то же самое с четвертым гиперпараметром и так далее.

Удачи!

Другие вопросы по теме