超参数调整 使用分类器算法使用GridSearchCV进行超参数调整

调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块（GridSearchCV，RandomizedSearchCV）的替代品，它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能： 与Scikit-Learn API的一致性：在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术：tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化，HyperBand，BOHB和其他优化技术。 框架支持：tune-sklearn主要用于调整Scikit-Learn模型，但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例，例如Skorch（Pytorch）[ ]，KerasClassifier（Keras）[ ]，和XGBoostClassifier（XGBoost）[]。 向上扩展：Tune-sklearn利用 （一个用于分布式超参数调整的库）在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和（针对master分支）。 安装 依存关

gensim-sklearn-wrapper gensim 包的 scikit-learn 包装器。 通过 scikit-learn 的 Pipeline 和 GridSearchCV 类轻松使用。 目前，仅实现了潜在狄利克雷分配 (LDA) 和潜在语义索引 (LSI) 算法的 transform() 和 fit() 函数。 测试： Python 2.7.3 scikit-learn 0.15.2 麻木 1.9.1 scipy 0.14.0 gensim 0.10.2 不提供 Pip 包，因为它只是一个文件。 只需下载并导入即可开始使用。 该类的参数与 gensim 类本身中的参数相同，因此请查看 gensim 的 API 以了解参数用法。 from gensim_wrapper import LdaTransformer, LsiTransformer

超参数优化

加州住房价格模型 客观的 我使用“加利福尼亚房屋价格数据集”的“随机森林回归”建立了一个模型，以预测加利福尼亚房屋的价格。 图书馆与依存关系 我在这里列出了该项目所需的所有必要的库和依赖项： import sys , os , tarfile , urllib . request import numpy as np import pandas as pd from sklearn . model_selection import train_test_split , cross_val_score , GridSearchCV from sklearn . model_selection import StratifiedShuffleSplit from pandas . plotting import scatter_matrix from sklearn . impute im