Auto ML自動調參
本文介紹Auto ML自動調參的算法介紹及操作流程。
操作步驟

1. 登錄PAI控制臺。
2. 單擊左側導航欄的實驗并選擇某個實驗。
   本文以霧霾天氣預測實驗為例。
3. 在實驗畫布區，單擊左上角的Auto ML > 模型自動調參。
4. 在自動調參配置頁面，選擇需要調參的算法，單擊下一步。
   

說明 一個實驗中有多個算法時請單選一個算法。
5. 在調參配置模塊，選擇調參方式，完成后單擊下一步。
阿里云機器學習提供如下調參方式供選擇：
o EVOLUTIONARY_OPTIMIZER
a. 隨機選定a個參數候選集（探索樣本數a）。
b. 取其中評估指標較高的n個參數候選集，作為下一輪迭代的參數候選集。
c. 繼續在這些參數周邊的r倍（收斂系數r）標準差范圍探索，以探索出新的參數集，來替代上一輪中評估指標靠后的a-n個參數集。
d. 根據以上邏輯，迭代m輪（探索次數m），直到找到最優的參數集合。
根據如上原理，最終產生的模型數目為a+(a-n)*m 。
注意 n的第一個值為a/2-1，在迭代過程中默認為n/2-1（小數向上取整）。

? 數據拆分比例：將輸入數據源分為訓練集和評估集。0.7表示70%的數據用于訓練模型，30%用于評估。
? 探索樣本數：每輪迭代的參數集個數，個數越多越準，計算量越大，取值范圍為5～30。
? 探索次數：迭代次數，次數越多探索越準、計算量越大，取值范圍為1～10。
? 收斂系數：調節探索范圍，越小收斂越快，但是可能會錯過適合的參數，取值范圍為0.1～1。
? 自定義范圍：輸入每個參數的調節范圍，如果未改變當前參數范圍，則此參數按照默認值代入，不參與自動調參。
o RANDOM_SEARCH
. 每個參數在所在范圍內隨機選取一個值。
a. 將這些值組成一組參數進行模型訓練。
b. 如此進行m輪（迭代次數），訓練產生m個模型并進行排序。

? 迭代次數：表示在所配置的區間的搜索次數，取值范圍為2～50。
? 數據拆分比例：將輸入數據源分為訓練集和評估集，0.7表示70%的數據用于訓練模型，30%用于評估。
? 自定義范圍：輸入每個參數的調節范圍，如果未改變當前參數范圍，則此參數按照默認值代入，不參與自動調參。
o GRID_SEARCH
. 將每個參數的取值區間拆成n段（網格拆分數）。
a. 在n段里面各隨機取出一個隨機值。假設有m個參數，就可以組合出n^m組參數。
b. 根據n^{m組參數訓練生成n}m個模型并進行排序。

? 網格拆分數：表示拆分出的grid個數，取值2～10。
? 數據拆分比例：將輸入數據源分為訓練集和評估集，0.7表示70%的數據用于訓練模型，30%用于評估。
? 自定義范圍：輸入每個參數的調節范圍，如果未改變當前參數范圍，則此參數按照默認值代入，不參與自動調參。
o UserDefine

自定義范圍：系統對枚舉的參數取值范圍進行全部組合嘗試并打分，如果未輸入按照默認參數執行。
說明 在2.0版本中調參算法種類從4個增加到7個，各算法詳細說明如下：

6. 在調參模型輸出選擇模塊，配置模型輸出參數，完成后單擊下一步。
   

o 評估標準：可選擇 AUC、F1-score、Precision、Recall四個維度中的一個作為評估標準。
o 保存模型數量：取值范圍為1～5。根據所選擇的評估標準，對模型進行排名，最終保存排名靠前的幾個模型，數量對應所選擇的保存模型數量。
o 模型是否向下傳導：默認打開。如果開關關閉，則將當前組件的默認參數生成的模型，向下傳導至后續組件節點；如果開關打開，則將自動調參生成的最優模型，向下傳導至后續組件節點。
7. 配置完成后，單擊畫布左上角的運行。
此時畫布上的對應算法已打開Auto ML 開關，后續也可以選擇打開或關閉此開關。
8. 可選：鼠標右鍵單擊畫布模型組件，選擇編輯AutoML參數，修改AutoML配置參數。
執行結果
輸出模型：
9. 在調參過程中，鼠標右鍵單擊目標模型組件，選擇調參運行詳情。
10. 在 AutoML-自動調參詳情頁面，單擊指標數據，查看當前調參的進度、各模型的運行狀態等信息。
11.

12. 根據候選模型的指標列表（AUC、F1-score、準確率、召回率）進行排序。
13. 在查看詳情列單擊日志或參數，查看每一個候選模型的日志及參數。
    

調參效果展示：
可以通過超參迭代效果對比，查看每一輪參數更新后評估指標增長的趨勢。

模型存儲：
14. 選擇左側導航欄的模型。
15. 單擊實驗模型，打開實驗模型文件夾。
16. 單擊打開對應實驗文件夾，查看Auto ML保存的模型。

總結

以上是生活随笔為你收集整理的Auto ML自动调参的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。