meta-ml 0.0.14

pip install -e .

# run an experiment with default values
$ metalearn run experiment

# create experiment config file
$ metalearn create config my_experiment config/local --description "my experiment"

# output:
# wrote experiment config file to config/local/experiment_2018-37-25-21:37:11_my_experiment.yml

$ metalearn run from-config config/local/experiment_2018-37-25-21:37:11_my_experiment.yml

算法选择与超参数优化的结合 （现金问题是我们需要解决的重要问题 在现实世界的用例中有效地扩展和部署机器学习系统， 它通常处理小（10 GB）到中等（10-100 GB）的数据。

现金是搜索所有ml框架空间的问题， 定义为一个算法a和一组相关的超参数lambda 并提出一组模型，在给定数据集和 一项任务。

为了解决这个问题，以前的工作类似于自动学习 使用贝叶斯优化技术与离线元- 利用欧氏距离缩小搜索空间学习"温启动"步骤 ml框架。这个元学习步骤是通过表示数据集来完成的 使用元数据特征（例如特征数、倾斜、平均值、方差等）来 学习在ml方面表现良好的数据空间的表示 框架选择任务。

神经架构搜索是另一种现金支付方法 问题，控制器网络提出"子"神经网络结构 使用 验证性能r作为强化学习的奖励信号 最佳架构建议策略。

贡献

元学习项目的贡献有两方面：它建立在神经系统的基础上 构造控制器输出空间的结构搜索范式 作为一个标记序列，条件是可能的可执行文件的空间 框架。这个项目的范围是定义一个框架 作为一组超参数，可以通过机器学习进行评估 框架，像sklearn，哪个ev计算为实例化的sklearn 管道。一旦定义，它可以安装在训练 在特定数据集的验证集上设置和计算

遵循神经架构方案，元学习使用强化算法 计算用于更新控制器的策略梯度以了解 提出能够实现高度验证的良好框架的政策 设置性能。

这个项目的第二个贡献是它提出了一个条件 mlframeworkgenerator通过扩展控制器网络使其具有编码器 作为数据集输入元数据的网络 实例，功能数）。编码器网络的输出将是 输入解码器网络，该网络提出一个ml框架。因此， 我们可以将d上的解码器网络元数据的输出设置为 定制的框架

训练算法

该环境是由k有监督的学习任务组成的 分别是特征和目标的一对（x，y）。开始的时候 一个事件，环境采样一个任务，对于i迭代产生 样本分割（x_-train，y_-train，x_-validation，y_-validation）从 任务数据集。

metalearncontroller通过元功能接收当前任务状态 关联任务，例如训练样本的任务，特征的任务， 目标类型，连续特征，分类特征等

给定任务状态，控制器在一个状态上生成ml框架 算法空间和超参数值。控制器可以被视为 策略近似器，它根据一些预定义的 算法空间，表示为每个节点所在的直接非循环图 包含一组可供选择的超参数值。控制器遍历 该图通过一个顺序解码器通过softmax选择超参数 分类器，其中某些操作可能会从图形中移除某些边。 这将强制执行不兼容的超参数配置。

例如，可能的sklearn管道的算法空间将 由以下部件组成：

• 分类编码器（例如OneHotEncoder）
• 分类编码器超参数
• 输入（例如SimpleImputer）
• 输入超参数
• 重标器（例如标准标度器）
• 重缩放器超参数
• 功能处理器（例如PCA）
• 功能处理器超参数
• 分类器/回归器（例如logisticRegression、linearRegression）
• 分类器/回归器超参数

当控制器到达算法空间中的终端节点时，环境 评估所选的mlframework并生成验证分数 控制器用作奖励信号。验证性能校准如下 分数越高越有回报。使用强化政策 梯度法，控制器试图找到最优策略 通过任务分配最大化验证性能。

分析

/analysis子文件夹包含Jupyter笔记本，可以可视化 现金控制员的表现。目前有5项分析 在项目分析子文件夹中：

• rnn_metalearn_controller_experience_analysis.ipynb：分析 使用静态绘图运行examples/example\u rnn_metalearn_controller.py。
• metalearn_controller_analysis.ipynb：基本交互分析 单个作业的输出。
• metalearn_controller_multi_experiment_analysis.ipynb：分析多个 作业输出，假设每个作业都有一次试用（培训运行）。
• metalearn_controller_multi_trail_analysis.ipynb：分析 一个作业的输出，但该作业有多个测试。
• metalearn_controller_multi_trial_experiment_analysis.ipynb：分析 多个作业的输出，每个作业都有多个试验。

标签：

• 数据
• 框架
• 编码
• 参数
• ml
• meta
• experiment
• automl
• metalearn

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• fossilcicli

  化石位桶管道cli工具

• ElvantoA

  用于elvanto系统的python api包装器

• scientific-string

  在科学研究中处理日常字符串的python工具包。

• pi-ldapprox

  基于Twisted的私有化

• patchworkclient

  没有项目描述

• pyextension

  文件扩展名信息

• pyproteins

  操作蛋白质序列数据的工具箱

• ttooongli-nester

  同里内斯特医生

• norad

  用于norad的python sdk

• wlog

  日志python项目，logger

• linq3

  没有项目描述

• shared-camera

  共享照相机类

• boxyboi

  python中的装箱原语

• Willow

  位于枕头、魔杖和opencv顶部的python图像库

• zhanglan

  鲁蛇同志