模型评估_超参数选择

异世界.png

[TOC]

超参数选择

为了进行超参数调优，我们一般会采用网格搜索、随机搜索、贝叶斯 优化等算法。在具体介绍算法之前，需要明确超参数搜索算法一般包括哪几个要素。

目标函数，即算法需要最大化/最小化的目标

搜索范围， 一般通过上限和下限来确定

算法的其他参数，如搜索步长。

网格搜索

网格搜索可能是最简单、应用最广泛的超参数搜索算法，它通过查找搜索范围内的所有的点来确定最优值。

如果采用较大的搜索范围以及较小的步长，网格搜索有很大概率找到全局最优值。

然而，这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候。 因此，在实际应用中，网格搜索法一般会先使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置；然后会逐渐缩小搜索范围和步长，来寻找更精确的最优值。这种操作方案可以降低所需的时间和计算 量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。

随机搜索

随机搜索的思想与网格搜索比较相似，只是不再测试上界和下界之间的所有值，而是在搜索范围中随机选取样本点。

它的理论依据是，如果样本点集足够大，那么通过随机采样也能大概率地找到全局最优值， 或其近似值。随机搜索一般会比网格搜索要快一些，但是和网格搜索的快速版一样，它的结果也是没法保证的。

贝叶斯优化

贝叶斯优化算法在寻找最优最值参数时，采用了与网格搜索、随机搜索完全不同的方法。

网格搜索和随机搜索在测试一个新点时，会忽略前一 个点的信息；而贝叶斯优化算法则充分利用了之前的信息。

贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数。

具体来说，它学习目标函数形状的方法是，首先根据先验分布，假设一个搜集函数；然后，每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；最后，算法测试由后验分布给出的全 局最值最可能出现的位置的点。

对于贝叶斯优化算法，有一个需要注意的地方，一旦找到了一个局部最优值，它会在该区域不断采样，所以很容易陷入局部最优值。

为了弥补这个缺陷，贝叶斯优化算法会在探索和利用之间找到一个平衡点，“探索”就是在还未取样的区域获取采样点；而“利 用”则是根据后验分布在最可能出现全局最值的区域进行采样。