本章内容：

1. 如何使用Bayes_opt实现参数优化，及案例？
2. 如何使用HyperOpt实现参数优化，及案例？
3. 如何使用Optuna实现参数优化，及案例？

HPO库	优劣评价	推荐指数
bayes_opt	?实现基于高斯过程的贝叶斯优化 ?当参数空间由大量连续型参数构成时?包含大量离散型参数时避免使用?算力/时间稀缺时避免使用
hyperopt	?实现基于TPE的贝叶斯优化?支持各类提效工具?进度条清晰，展示美观，较少怪异警告或报错?可推广/拓展至深度学习领域?不支持基于高斯过程的贝叶斯优化?代码限制多、较为复杂，灵活性较差
optuna	?（可能需结合其他库）实现基于各类算法的贝叶斯优化?代码最简洁，同时具备一定的灵活性?可推广/拓展至深度学习领域?非关键性功能维护不佳，有怪异警告与报错

📖 以上三个库都不支持基于Python环境的并行或加速，大多数优化算法库只能够支持基于数据库（如MangoDB，mySQL）的并行或加速，但以上库都可以被部署在分布式计算平台。

---

关于贝叶斯参数优化实现方式，需要了解的几点：

1. 贝叶斯优化需要自定义目标函数、参数空间、优化器，通常不直接调库；
2. 不同的贝叶斯方式下，定义目标函数、参数空间、优化器的规则不同，各有自己的规则

基于以上两点，下面介绍三种HPO库时，主要内容为①介绍自定义的规则，②案例的整个流程；

另外以下案例中，弱评估器均采用随机森林。

📖 使用Bayes_opt时，通常为以下情况：

1. 当且仅当必须要实现基于高斯过程的贝叶斯优化时；
2. 算法的参数空间中有大量连续型参数；

因为bayes_opt对参数空间的处理方法较原始，缺乏相应的提升/监控供销，对算力的要求较高，往往不是调参的第一选择。

---

📖 bayes_opt特点

1. 运行时间（越小越好）：bayes_opt<随机网格搜索<网格搜索
2. 模型效果（越大越好）：bayes_opt>随机网格搜索>网格搜索
3. 优化过程无法复现，但优化结果可以复现
4. 效率不足。
   实际上在迭代到170次时，贝叶斯优化就已经找到了最小损失，但由于没有提前停止机制，模型还持续地迭代了130次才停下，如果bayes_opt支持提前停止机制，贝叶斯优化所需的实际迭代时间可能会更少。
   同时，由于Bayes_opt只能够在参数空间提取浮点数，bayes_opt在随机森林上的搜索效率是较低的，即便在10次不同的迭代中分别取到了[88.89, 88.23……]等值，在取整后只能获得一个备选值88，但bayes_opt无法辨别这种区别，因此可能取出了众多无效的观测点。如果使用其他贝叶斯优化器，贝叶斯优化的效率将会更高。
5. 支持灵活修改采集函数与高斯过程中的种种参数，详细介绍可参考：https://github.com/fmfn/BayesianOptimization/blob/master/examples/advanced-tour.ipynb

---

1.1 📖 bayes_opt对目标函数的规则

1. 目标函数的输入必须是具体的超参数，而不能是整个超参数空间，更不能是数据、算法等超参数以外的元素。因此在定义目标函数时，我们需要让超参数作为目标函数的输入。
   
   示例：括号内必须是弱评估器的超参数

2. 超参数的输入值只能是浮点数，不支持整数与字符串。因此当算法的实际参数需要输入字符串时，该参数不能使用bayes_opt进行调整，当算法的实际参数需要输入整数时，则需要在目标函数中规定参数的类型。
   
   示例：括号里的超参数只能是浮点数：比如随机森林的参数criterion输入内容为‘gini’，这就是字符串，所以criterion这个参数不能放到里面。

   示例：整数参数需要在设定时改为浮点数格式，如红色部分所示：树的棵数只能是整数，所以需要在设定时使用int()改为浮点数。

3. bayes_opt只支持寻找𝑓(𝑥)的最大值，不支持寻找最小值。因此当定义的目标函数是某种损失时，目标函数的输出需要取负（即，如果使用RMSE，则应该让目标函数输出负RMSE，这样最大化负RMSE后，才是最小化真正的RMSE。）当定义的目标函数是准确率，或者auc等指标，则可以让目标函数的输出保持原样。

---

1.2 📖 bayes_opt对参数空间的规则

1. 必须使用字典方式来定义参数空间，其中键为参数名称，值为参数的取值范围；
2. 只支持填写参数空间的上界与下界，不支持填写步长等参数，且为双向闭区间；
3. 会将所有参数都当作连续型超参进行处理，因此bayes_opt会直接取出闭区间中任意浮点数作为备选参数（这也是设定目标函数时，为什么要int()的原因）。

由于以上规则，输入bayes_opt的参数空间天生会比其他贝叶斯优化库更大/更密，因此需要的迭代次数也更多。

---

1.3 📖 bayes_opt的随机性注意事项

1. 随机性无法控制。即使填写随机数种子，优化算法每次运行一定都会不一样，即优化算法无法被复现。
2. 最佳超参数的结果可以被复现。
   取出最佳参数组合以及最佳分数，该最佳参数组合被输入到交叉验证中后，是一定可以复现其最佳分数的。
   如果没能复现最佳分数，则是交叉验证过程的随机数种子设置存在问题，或者优化算法的迭代流程存在问题。

---

1.4 🗣 案例：bayes_opt参数优化_房价数据集_python

1. 🗣 自定义随机森林模型和交叉验证模型，返回测试集的根均方误差

---

2. 🗣 自定义优化器

---

3. 🗣 自定义最优参数验证

---

4. 🗣 运行

---

---

📖 HyperOpt特点

1. 最通用优化器；
2. 运行时间（越小越好）：HyperOpt<bayes_opt<随机网格搜索<网格搜索
3. 模型效果（越大越好）：HyperOpt>bayes_opt>随机网格搜索>网格搜索；
4. 代码精密度要求较高、灵活性较差，略微的改动就可能让代码疯狂报错难以跑通。
5. 相比基于高斯过程的贝叶斯优化，基于高斯混合模型的TPE在大多数情况下以更高效率获得更优结果；
6. HyperOpt所支持的优化算法也不够多。如果专注地使用TPE方法，则掌握HyperOpt即可，更深入可接触Optuna库。

---

2.1 📖 HyperOpt对目标函数的规则

• 目标函数的参数空间输入必须是符合hyperopt规定的字典
• Hyperopt只支持寻找𝑓(𝑥)的最小值，不支持寻找最大值

---

2.2 📖 HyperOpt对参数空间的规则

📖 HyperOpt定义参数空间，有如下几种字典形式

• hp.quniform(“参数名称”, 下界, 上界, 步长) - 适用于均匀分布的浮点数
• hp.uniform(“参数名称”,下界, 上界) - 适用于随机分布的浮点数
• hp.randint(“参数名称”,上界) - 适用于[0,上界)的整数，区间为前闭后开
• hp.choice(“参数名称”,[“字符串1”,“字符串2”,…]) - 适用于字符串类型，最优参数由索引表示
• hp.choice(“参数名称”,[*range(下界，上界，步长)]) - 适用于整数型，最优参数由索引表示
• hp.choice(“参数名称”,[整数1,整数2,整数3,…]) - 适用于整数型，最优参数由索引表示
• hp.choice(“参数名称”,[“字符串1”,整数1,…]) - 适用于字符与整数混合，最优参数由索引表示

如无特殊说明，hp中的参数空间定义方法应当都为前闭后开区间。

---

HyperOpt定义参数空间，选择字典形式的思路：

• 对于需要取整数的参数值，采用quniform方式构筑参数空间。
  • quniform能获得均匀分布的浮点数来替代整数；
  • 需要在目标函数中使用int函数限定输入类型。例如，在范围[0,5]中取值时，可以取出[0.0, 1.0, 2.0, 3.0,…]这种均匀浮点数，在输入目标函数时，则必须确保参数值前存在int函数。如果使用hp.choice则不会存在该问题。
• hp.choice最终会返回最优参数的索引，容易与数值型参数的具体值混淆，用于字符串；
• hp.randint只能够支持从0开始进行计数。

---

2.3 📖HyperOpt的优化器介绍

📖 HyperOpt优化目标函数时，涉及的功能/库

• fmin：用于优化的基础功能
  • 在fmin中，我们可以自定义使用的代理模型（参数algo），一般来说我们有tpe.suggest以及rand.suggest两种选项，前者指代TPE方法，后者指代随机网格搜索方法。
• partial：修改算法涉及到的具体参数
  • 包括模型具体使用了多少个初始观测值（参数n_start_jobs），以及在计算采集函数值时究竟考虑多少个样本（参数n_EI_candidates）。
• trials：记录整个迭代过程
  • 一般输入从hyperopt库中导入的方法Trials()
  • 当优化完成之后，可以从保存好的trials中查看损失、参数等各种中间信息；
• early_stop_fn：提前停止
  • 一般输入从hyperopt库导入的方法no_progress_loss()
  • 这个方法中可以输入具体的数字n，表示当损失连续n次没有下降时，让算法提前停止。
  • 由于贝叶斯方法的随机性较高，当样本量不足时需要多次迭代才能够找到最优解，因此一般no_progress_loss()中的数值不会设置得太高。在我们的课程中，由于数据量较少，我设置了一个较高的值来避免迭代停止太早。

---

2.4 🗣 案例：HyperOpt参数优化_房价数据集_python

---

1. 🗣 设定参数空间

---

2. 🗣 设定目标函数

---

3. 🗣 设定优化过程

---

4. 🗣 设定验证函数

---

5. 🗣 执行实际优化流程

---

📖 Optuna的特点

• Optuna的优势在于，可以无缝衔接到PyTorch、Tensorflow等深度学习框架上，也可以与sklearn的优化库scikit-optimize结合使用，因此Optuna可以被用于各种各样的优化场景。
• 基于高斯过程的贝叶斯优化比基于TPE的贝叶斯优化运行更加缓慢。
• 不支持提前停止；
• Optuna可能存在抽样BUG，即持续抽到曾经被抽到过的参数组合，并显示警告，这时的迭代可能无效。可以考虑增大参数空间的范围或密度以消除该问题。

---

3.1 📖 Optuna对目标函数、参数空间的规则

• 不需要将参数或参数空间输入目标函数，而是需要直接在目标函数中定义参数空间
• Optuna优化器会生成一个指代备选参数的变量trial，该变量无法被用户获取或打开，但该变量在优化器中生存，并被输入目标函数。在目标函数中，我们可以通过变量trail所携带的方法来构造参数空间。
• 既可以输出$f(x)$的最大值，也可以输出最小值

---

3.2 📖 Optuna的优化器介绍

• 调整参数algo来自定义用于执行贝叶斯优化的具体算法；
• 设置样本抽样的算法为TPE，比GP（高斯）迭代速度更快。

---

3.3 🗣 案例：Optuna参数优化_房价数据集_python

• 上一篇：抖音极速版官方正版
• 下一篇：榴莲的功效和营养价值，探索榴莲的神奇营养与功效