sklearn的超参数优化
hpsklearn的Python项目详细描述
#hyperopt sklearn
[hyperopt sklearn]（http://hyperopt.github.com/hyperopt-sklearn/）是在
[scikit learn]（http://scikit learn.org/）中基于机器学习算法的模型选择。
gh[示例]（http://hyperopt.github.io/hyperopt sklearn/文档）
或更早的
[笔记本]（http://nbviewer.ipython.org/github/hyperopt/hyperopt sklearn/tree/master/notebooks）
ne git@github.com:hyperopt/hyperopt sklearn.git
（cd hyperopt sklearn&；pip install-e.）
psklearn import hyperoptistimator，svc
来自sklearn import svm
）
分为训练集和测试集
test_size=int（0.2*len（y））
np.random.seed（13）
index=np.random.permutation（len（x））
x_train=x[index[：-test_size]
y廑train=y[index[：-test_size]
x廑test test=x[索引[-测试大小：]
y撸测试=y[索引[-测试大小：]
），
algo=tpe.建议，
max_evals=100，
trial_timeout=120）
e（x_u检验，y_u检验））
，
最小样本量叶=1，最小样本量叶=2，
最小加权样本量叶=0.0，n个估计量=13，n个工作数=1，
oob评分=False，随机状态=1，verbose=False，
最小样本量叶=0.0，n个估计量=13，n个工作数=1，
最小样本量叶=0.0一个例子e使用mnist，并对分类器和预处理更加具体。
```
从hpsklearn import hyperoptestimator，额外的树
从sklearn.datasets import fetch hymldata
从hyperopt import tpe
将numpy导入np
下载数据并分成训练和测试集
digits=fetch mldata（'mnist original'）
x=digits.data
y=digits.target
测试大小=int（0.2*len（y））
np.random.seed（13）
索引=np.random.permutation（len（x））
x列=x[索引[：-测试大小]
y列=y[索引[：-测试大小]
x列st=x[索引[-test_size:]
y_test=y[索引[-test_size:]
algo=tpe.建议，
最大值=10，
t
根据数据搜索超参数空间
estim.fit（x_火车，y_火车）
；显示结果
打印（estim.score（x_检验，y_检验））
<0.96278585714286
prin打印（estim.best_model（））
<0.962785714286
{{{{{{{{{{}{{{{{{{{}{{{}=真，类权重=无，准则='熵'，
最大深度=无，最大特征=0.9592022875857，
最大叶节点=无，最小杂质减少=0.0，
最大叶节点=无，最小杂质减少=0.0，
最小杂质分裂=无，最小样本叶=1，
最小样本分裂=2，最小重量分数叶=0.0，
n估计值=20，n个工作=1，oob，oob。u score=false，随机状态=3，
verbose=false，warm_start=false），"predocs"：（），"ex_predocs"：（）}
`````
发出或发出请求！
实现这些功能的源代码在[这里]找到（https://github.com/hyperopt/hyperopt/hyperopt/hyperopt-sklearn/blob/master/hpsklearn/components.py）
` `
svc
svc非线性
svc非线性
svc非线性
svc
svc非线性
knn
adau boost
梯度增强
随机森林
>额外的树
>决策树
>sgd
>xgboost分类
>多项式
>高斯
>被动主动主动主动
>线性判别分析
>二次判别分析
>rbm
>colkmean
>一对一对一对一对一对一对一对一对一。br/>对于一个简单的泛型在多个分类器之间搜索空间，使用"任意分类器"。如果您的数据是稀疏矩阵格式，请使用"任何稀疏分类法"。
<
<
svr
svr
svr线性
svr rbf
svr多元
adau-boo _回归
森林回归
额外树木回归
sgd回归
xgboost_regression
```
如果您的数据是稀疏矩阵格式，请使用"任意稀疏回归器"。
<
<
对于跨许多预处理算法的简单通用搜索空间，请使用"any"prep处理`.
如果使用原始文本数据，请使用"任何文本预处理"。
当前只有tfidf用于文本，但将来可能会添加更多。
请注意，"hyperoptestimator"中的"预处理"参数需要一个列表，因为各种预处理步骤可以链接在一起。
通用搜索空间函数s"any_preprocessing"和"any_text_preprocessing"已经返回一个列表，但其他的则不返回，因此应该将它们包装在一个列表中。
如果不想执行任何预处理，请传入一个空列表`[]`。
[hyperopt sklearn]（http://hyperopt.github.com/hyperopt-sklearn/）是在
[scikit learn]（http://scikit learn.org/）中基于机器学习算法的模型选择。
gh[示例]（http://hyperopt.github.io/hyperopt sklearn/文档）
或更早的
[笔记本]（http://nbviewer.ipython.org/github/hyperopt/hyperopt sklearn/tree/master/notebooks）
ne git@github.com:hyperopt/hyperopt sklearn.git
（cd hyperopt sklearn&；pip install-e.）
psklearn import hyperoptistimator，svc
来自sklearn import svm
）
分为训练集和测试集
test_size=int（0.2*len（y））
np.random.seed（13）
index=np.random.permutation（len（x））
x_train=x[index[：-test_size]
y廑train=y[index[：-test_size]
x廑test test=x[索引[-测试大小：]
y撸测试=y[索引[-测试大小：]
），
algo=tpe.建议，
max_evals=100，
trial_timeout=120）
e（x_u检验，y_u检验））
，
最小样本量叶=1，最小样本量叶=2，
最小加权样本量叶=0.0，n个估计量=13，n个工作数=1，
oob评分=False，随机状态=1，verbose=False，
最小样本量叶=0.0，n个估计量=13，n个工作数=1，
最小样本量叶=0.0一个例子e使用mnist，并对分类器和预处理更加具体。
```
从hpsklearn import hyperoptestimator，额外的树
从sklearn.datasets import fetch hymldata
从hyperopt import tpe
将numpy导入np
下载数据并分成训练和测试集
digits=fetch mldata（'mnist original'）
x=digits.data
y=digits.target
测试大小=int（0.2*len（y））
np.random.seed（13）
索引=np.random.permutation（len（x））
x列=x[索引[：-测试大小]
y列=y[索引[：-测试大小]
x列st=x[索引[-test_size:]
y_test=y[索引[-test_size:]
algo=tpe.建议，
最大值=10，
t
根据数据搜索超参数空间
estim.fit（x_火车，y_火车）
；显示结果
打印（estim.score（x_检验，y_检验））
<0.96278585714286
prin打印（estim.best_model（））
<0.962785714286
{{{{{{{{{{}{{{{{{{{}{{{}=真，类权重=无，准则='熵'，
最大深度=无，最大特征=0.9592022875857，
最大叶节点=无，最小杂质减少=0.0，
最大叶节点=无，最小杂质减少=0.0，
最小杂质分裂=无，最小样本叶=1，
最小样本分裂=2，最小重量分数叶=0.0，
n估计值=20，n个工作=1，oob，oob。u score=false，随机状态=3，
verbose=false，warm_start=false），"predocs"：（），"ex_predocs"：（）}
`````
发出或发出请求！
实现这些功能的源代码在[这里]找到（https://github.com/hyperopt/hyperopt/hyperopt/hyperopt-sklearn/blob/master/hpsklearn/components.py）
` `
svc
svc非线性
svc非线性
svc非线性
svc
svc非线性
knn
adau boost
梯度增强
随机森林
>额外的树
>决策树
>sgd
>xgboost分类
>多项式
>高斯
>被动主动主动主动
>线性判别分析
>二次判别分析
>rbm
>colkmean
>一对一对一对一对一对一对一对一对一。br/>对于一个简单的泛型在多个分类器之间搜索空间，使用"任意分类器"。如果您的数据是稀疏矩阵格式，请使用"任何稀疏分类法"。
<
<
svr
svr
svr线性
svr rbf
svr多元
adau-boo _回归
森林回归
额外树木回归
sgd回归
xgboost_regression
```
如果您的数据是稀疏矩阵格式，请使用"任意稀疏回归器"。
<
<
对于跨许多预处理算法的简单通用搜索空间，请使用"any"prep处理`.
如果使用原始文本数据，请使用"任何文本预处理"。
当前只有tfidf用于文本，但将来可能会添加更多。
请注意，"hyperoptestimator"中的"预处理"参数需要一个列表，因为各种预处理步骤可以链接在一起。
通用搜索空间函数s"any_preprocessing"和"any_text_preprocessing"已经返回一个列表，但其他的则不返回，因此应该将它们包装在一个列表中。
如果不想执行任何预处理，请传入一个空列表`[]`。
欢迎加入QQ群-->： 979659372
