共计 2684 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=12693
原文出处：拓端数据部落公众号
介绍
在本教程中，咱们将探讨一种十分弱小的优化（或自动化）算法，即网格搜索算法。它最罕用于机器学习模型中的超参数调整。咱们将学习如何应用 Python 来实现它，以及如何将其利用到理论应用程序中，以理解它如何帮忙咱们为模型抉择最佳参数并进步 准确性。
前提
浏览本教程，您最好对 Python 或其余某种编程语言有根本的理解，也具备机器学习的基本知识，但这不是必须的。除此之外，本文是初学者敌对的，任何人都能够关注。
装置
要实现本教程，您须要在零碎中装置以下库 / 框架：
- Python 3
- NumPy
- Pandas
- Keras
- Scikit-Learn
它们的装置都非常简单 - 您能够单击它们各自的网站，获取 各自的具体装置阐明。通常，能够应用 pip 装置软件包：
$ pip install numpy pandas tensorflow keras scikit-learn什么是网格搜寻？
网格搜寻实质上是一种优化算法，可让你从提供的参数选项列表中抉择最适宜优化问题的参数，从而使“试验和 误差”办法自动化。只管它能够利用于许多优化问题，然而因为其在机器学习中的应用而取得最广为人知的参数，该参数能够使模型获得最佳精度。
假如您的模型采纳以下三个参数作为输出：
- 暗藏层数[2，4]
- 每层中的神经元数量[5，10]
- 神经元数[10，50]
如果对于每个参数输出，咱们心愿尝试两个选项（如下面的方括号中所述），则总计总共 2 ^3 = 8 个不同的组合（例如，一个可能的组合为[2,5,10]）。手动执行此操作会很麻烦。
当初，假如咱们有 10 个不同的输出参数，并且想为每个参数尝试 5 个可能的值。每当咱们心愿更改参数值，从新运行代码并跟踪所有参数组合的后果时，都须要从咱们这边进行手动输出。网格搜寻可主动执行该过程，因为它仅获取每个参数的可能值并运行代码以尝试所有可能的组合，输入每个组合的后果，并输入可提供最佳准确性的组合。
网格搜寻施行
让咱们将网格搜寻利用于理论应用程序。探讨机器学习和数据预处理这一部分不在本教程的探讨范畴之内，因而咱们只须要运行其代码并深刻探讨 Grid Search 的引入局部即可。
咱们将应用 糖尿病数据集 ，该数据集蕴含无关患者是否基于不同属性（例如血糖，葡萄糖浓度，血压等）的糖尿病信息。应用read_csv() 办法。
以下脚本导入所需的库：
from sklearn.model_selection import GridSearchCV, KFold
from keras.models import Sequential
from keras.optimizers import Adam
import sys
import pandas as pd
import numpy as np以下脚本导入数据集并设置数据集的列题目。
df = pd.read\_csv(data\_path, names=columns)让咱们看一下数据集的前 5 行：
df.head()输入：
如你所见，这 5 行都是用来形容每一列的标签，因而它们对咱们没有用。咱们将从删除这些非数据行开始，而后将所有 NaN 值替换为 0：
df.dropna(inplace=True) # 删除所有缺失值的行以下脚本将数据分为变量和标签集，并将标准化利用于数据集：
# 变换和显示训练数据
X_standardized = scaler.transform(X)以下办法创立了咱们简略的深度学习模型：
# 创立模型
model = Sequential()
model.add(Dense(8, input\_dim=8, kernel\_initializer='normal', activation='relu'))
#编译模型
model.compile(loss='binary_crossentropy', optimizer=adam, metrics=\['accuracy'\])这是加载数据集，对其进行预处理并创立 机器学习模型 所需的局部代码。因为咱们只对 Grid Search 的性能感兴趣，所以我没有进行训练 / 测试拆分，咱们将模型拟合到整个数据集。
在下一节中，咱们将开始理解 Grid Search 如何通过优化参数使 训练模型 变得更轻松。
在没有网格搜寻的状况下训练模型
在上面的代码中，咱们将随机决定或依据直觉决定的参数值创立模型，并查看模型的性能：
model = create\_model(learn\_rate, dropout_rate)输入：
Epoch 1/1
130/130 \[==============================\] - 0s 2ms/step - loss: 0.6934 - accuracy: 0.6000正如看到的，咱们失去的精度是60.00%。这是相当低的。
应用网格搜寻优化超参数
如果不应用 Grid Search，则能够间接 fit() 在下面创立的模型上调用办法。然而，要应用网格搜寻，咱们须要将一些参数传递给 create_model() 函数。此外，咱们须要应用不同的选项申明咱们的网格，咱们心愿为每个参数尝试这些选项。让咱们分局部进行。
首先，咱们批改 create_model() 函数以承受调用函数的参数：
# 创立模型
Classifier(create_model, verbose=1)当初，咱们筹备实现网格搜索算法并在其上拟合数据集：
# 建设和拟合 GridSearch
GridSearch(estimator=mode)输入：
Best: 0.7959183612648322, using {'batch\_size': 10, 'dropout\_rate': 0.2, 'epochs': 10, 'learn_rate': 0.02}在输入中，咱们能够看到它为咱们提供了最佳精度的参数组合。
能够必定地说，网格搜寻在 Python 中非常容易实现，并且在人工方面节俭了很多工夫。您能够列出所有您想要调整的参数，申明要测试的值，运行您的代码。您无需再输出任何信息。找到最佳参数组合后，您只需将其用于最终模型即可。
论断
总结起来，咱们理解了什么是 Grid Search，它如何帮忙咱们优化模型以及它带来的诸如自动化的益处。此外，咱们学习了如何应用 Python 语言在几行代码中实现它。为了理解其有效性，咱们还训练了带有和不带有 Grid Search 的机器学习模型，应用 Grid Search 的准确性进步了 19%。