超带宽 改编自使用Hyperband调整超参数的代码。 defs/ - functions and search space definitions for various classifiers defs_regression/ - the same for regression models common_defs.py - imports and definitions shared by defs files hyperband.py - from hyperband import Hyperband load_data.py - classification defs import data from this file load_data_regression.py - regression defs import data from this file main.py - a complete example for classification main_regression.py - the same, for regression main_simple.py -

超参数调整 使用分类器算法使用GridSearchCV进行超参数调整

一个从开源项目 MLPrimitives 机器学习和数据科学的管道和原语。 文档： : Github： : 执照： 开发状态： 概述 此存储库包含 MLBlocks 库要使用的原始注释，以及必要的 Python 代码，以使其中一些与 MLBlocks API 要求完全兼容。 还有一组直接贡献给这个库的自定义原语，它们要么结合第三方工具，要么从头开始实现新功能。 我们为什么要创建这个库？ 在一个快速发展的领域中有太多的图书馆 构建机器学习应用程序的巨大社会需求 领域专业知识存在于多个地方（数学知识） 没有关于超参数、行为的文档化信息...... 安装 要求 MLPrimitives已在Python 3.6、3.7和3.8上进行开发和测试 此外，虽然不是严格要求，但强烈建议使用virtualenv以避免干扰运行MLPrimitives的系统中安装的其他软件。 使用

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