HyperparameterHunter快速入门：3步完成你的第一次超参数优化

HyperparameterHunter快速入门3步完成你的第一次超参数优化【免费下载链接】hyperparameter_hunterEasy hyperparameter optimization and automatic result saving across machine learning algorithms and libraries项目地址: https://gitcode.com/gh_mirrors/hy/hyperparameter_hunterHyperparameterHunter是一款强大的超参数优化工具能够轻松实现跨机器学习算法和库的超参数优化与结果自动保存。无论你是机器学习新手还是经验丰富的开发者都能通过它快速提升模型性能。 核心功能简介HyperparameterHunter的核心优势在于简化超参数优化流程自动记录实验结果并支持多种机器学习框架。它通过直观的API设计让用户能够专注于模型构建而非繁琐的参数调优过程。图1HyperparameterHunter项目标志1900x900像素 第1步安装HyperparameterHunter首先你需要安装HyperparameterHunter库。推荐使用pip进行快速安装pip install hyperparameter_hunter如果你需要获取最新开发版本可以直接从GitHub仓库安装pip install githttps://github.com/HunterMcGushion/hyperparameter_hunter.git安装文档详情可查看 docs/installation.rst 第2步配置实验环境创建一个实验环境是使用HyperparameterHunter的基础。以下是一个简单的环境配置示例使用乳腺癌数据集和XGBoost分类器from hyperparameter_hunter import Environment from hyperparameter_hunter.utils.learning_utils import get_breast_cancer_data from sklearn.model_selection import StratifiedKFold from xgboost import XGBClassifier env Environment( train_datasetget_breast_cancer_data(), # 加载示例数据集 results_pathHyperparameterHunterAssets, # 结果保存路径 target_columndiagnosis, # 目标列名称 metrics[roc_auc_score], # 评估指标 cv_typeStratifiedKFold, # 交叉验证类型 cv_paramsdict(n_splits10, shuffleTrue, random_state32), # 交叉验证参数 runs2, # 运行次数 ) 第3步启动超参数优化配置好环境后只需定义超参数搜索空间并启动优化器。以下示例使用贝叶斯优化方法搜索XGBoost的最佳参数from hyperparameter_hunter import BayesianOptPro, Real, Integer, Categorical optimizer BayesianOptPro(iterations10, read_experimentsTrue) optimizer.forge_experiment( model_initializerXGBClassifier, model_init_paramsdict( max_depthInteger(2, 20), # 整数型超参数 learning_rateReal(0.0001, 0.5), # 实数型超参数 n_estimators200, subsample0.5, boosterCategorical([gbtree, gblinear, dart]), # 类别型超参数 ), model_extra_paramsdict(fitdict(eval_metricCategorical([auc, rmse, mae]))), ) optimizer.go() # 启动优化完整示例代码可参考 examples/simple_optimization_example.py 优化结果与后续操作优化完成后结果会自动保存在results_path指定的目录中。你可以通过以下方式查看和分析结果查看实验记录所有实验细节和结果都保存在JSON文件中比较不同参数组合系统会自动生成性能对比报告复现最佳模型使用最优参数直接重建模型 进阶使用建议多指标优化支持同时优化多个评估指标满足复杂场景需求自定义回调通过回调函数实现训练过程中的自定义操作集成学习结合多个模型的优化结果构建更强大的集成模型更多高级用法可参考 examples/advanced_examples 目录下的示例代码。HyperparameterHunter让超参数优化变得简单高效无论你使用XGBoost、LightGBM还是Keras都能轻松找到最佳参数组合。立即尝试提升你的机器学习项目性能吧【免费下载链接】hyperparameter_hunterEasy hyperparameter optimization and automatic result saving across machine learning algorithms and libraries项目地址: https://gitcode.com/gh_mirrors/hy/hyperparameter_hunter创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考