hyperparameter_hunter
v3.0.0 (Artemis)
実験結果を自動的に保存して学習し、すべてのテストを覚えている長期的で永続的な最適化につながります。
HyperParameterHunterは、すべての重要なデータを保存する機械学習アルゴリズムのラッパーを提供します。 HyperParameterHunterに、テストからの録音、整理、学習のハードワークを実行させることにより、実験とハイパーパラメーターのチューニングプロセスを簡素化します。あなたの実験を無駄にしないでください、そして、それが意図されていた方法でハイパーパラメーターの最適化を始めましょう。
pip install hyperparameter-hunterHyperParameterHunterは、ハイパーパラメーターの最適化を行うときにのみ発表する別の最適化ライブラリと考えないでください。もちろん、それは最適化を行いますが、HyperParameterHunterをあなた自身の個人機械学習ツールボックス/アシスタントと見なす方が良いです。
アイデアは、すぐにHyperParameterHunterの使用を開始することです。ベンチマーク/1回限りの実験をすべて実行します。
HyperParameterHunterを使用すればするほど、結果は良くなります。最適化のために使用する場合は、確かにあなたが望むことをしますが、それはHyperParameterHunterのポイントを欠いています。
プロジェクトの全コースに沿って実験と最適化にそれを使用している場合、ハイパーパラメーターの最適化を行うことにした場合、HyperParameterHunterはあなたがしたことすべてをすでに認識しています。他のライブラリのように、ゼロから最適化を開始しません。それは、すべての実験と以前の最適化ラウンドから始まり、すでに実行されています。
環境を設定して、実験と最適化の結果を整理します。
実行する実験または最適化ラウンドは、アクティブな環境を使用します。
from hyperparameter_hunter import Environment , CVExperiment
import pandas as pd
from sklearn . datasets import load_breast_cancer
from sklearn . model_selection import StratifiedKFold
data = load_breast_cancer ()
df = pd . DataFrame ( data = data . data , columns = data . feature_names )
df [ 'target' ] = data . target
env = Environment (
train_dataset = df , # Add holdout/test dataframes, too
results_path = 'path/to/results/directory' , # Where your result files will go
metrics = [ 'roc_auc_score' ], # Callables, or strings referring to `sklearn.metrics`
cv_type = StratifiedKFold , # Class, or string in `sklearn.model_selection`
cv_params = dict ( n_splits = 5 , shuffle = True , random_state = 32 )
)モデルの初期化装置とハイパーパラメーターを提供するだけで、お気に入りのライブラリを使用して実験を行う
# Same format used by `keras.wrappers.scikit_learn`. Nothing new to learn
def build_fn ( input_shape ): # `input_shape` calculated for you
model = Sequential ([
Dense ( 100 , kernel_initializer = 'uniform' , input_shape = input_shape , activation = 'relu' ),
Dropout ( 0.5 ),
Dense ( 1 , kernel_initializer = 'uniform' , activation = 'sigmoid' )
]) # All layer arguments saved (whether explicit or Keras default) for future use
model . compile ( optimizer = 'adam' , loss = 'binary_crossentropy' , metrics = [ 'accuracy' ])
return model
experiment = CVExperiment (
model_initializer = KerasClassifier ,
model_init_params = build_fn , # We interpret your build_fn to save hyperparameters in a useful, readable format
model_extra_params = dict (
callbacks = [ ReduceLROnPlateau ( patience = 5 )], # Use Keras callbacks
batch_size = 32 , epochs = 10 , verbose = 0 # Fit/predict arguments
)
) experiment = CVExperiment (
model_initializer = LinearSVC , # (Or any of the dozens of other SK-Learn algorithms)
model_init_params = dict ( penalty = 'l1' , C = 0.9 ) # Default values used and recorded for kwargs not given
) experiment = CVExperiment (
model_initializer = XGBClassifier ,
model_init_params = dict ( objective = 'reg:linear' , max_depth = 3 , n_estimators = 100 , subsample = 0.5 )
) experiment = CVExperiment (
model_initializer = LGBMClassifier ,
model_init_params = dict ( boosting_type = 'gbdt' , num_leaves = 31 , max_depth = - 1 , min_child_samples = 5 , subsample = 0.5 )
) experiment = CVExperiment (
model_initializer = CatboostClassifier ,
model_init_params = dict ( iterations = 500 , learning_rate = 0.01 , depth = 7 , allow_writing_files = False ),
model_extra_params = dict ( fit = dict ( verbose = True )) # Send kwargs to `fit` and other extra methods
) experiment = CVExperiment (
model_initializer = RGFClassifier ,
model_init_params = dict ( max_leaf = 1000 , algorithm = 'RGF' , min_samples_leaf = 10 )
)実験と同じですが、ハイパーパラメーターを最適化したい場合は、以下にインポートされているクラスを使用してください
from hyperparameter_hunter import Real , Integer , Categorical
from hyperparameter_hunter import optimization as opt def build_fn ( input_shape ):
model = Sequential ([
Dense ( Integer ( 50 , 150 ), input_shape = input_shape , activation = 'relu' ),
Dropout ( Real ( 0.2 , 0.7 )),
Dense ( 1 , activation = Categorical ([ 'sigmoid' , 'softmax' ]))
])
model . compile (
optimizer = Categorical ([ 'adam' , 'rmsprop' , 'sgd' , 'adadelta' ]),
loss = 'binary_crossentropy' , metrics = [ 'accuracy' ]
)
return model
optimizer = opt . RandomForestOptPro ( iterations = 7 )
optimizer . forge_experiment (
model_initializer = KerasClassifier ,
model_init_params = build_fn ,
model_extra_params = dict (
callbacks = [ ReduceLROnPlateau ( patience = Integer ( 5 , 10 ))],
batch_size = Categorical ([ 32 , 64 ]),
epochs = 10 , verbose = 0
)
)
optimizer . go () optimizer = opt . DummyOptPro ( iterations = 42 )
optimizer . forge_experiment (
model_initializer = AdaBoostClassifier , # (Or any of the dozens of other SKLearn algorithms)
model_init_params = dict (
n_estimators = Integer ( 75 , 150 ),
learning_rate = Real ( 0.8 , 1.3 ),
algorithm = 'SAMME.R'
)
)
optimizer . go () optimizer = opt . BayesianOptPro ( iterations = 10 )
optimizer . forge_experiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
max_depth = Integer ( low = 2 , high = 20 ),
learning_rate = Real ( 0.0001 , 0.5 ),
n_estimators = 200 ,
subsample = 0.5 ,
booster = Categorical ([ 'gbtree' , 'gblinear' , 'dart' ]),
)
)
optimizer . go () optimizer = opt . BayesianOptPro ( iterations = 100 )
optimizer . forge_experiment (
model_initializer = LGBMClassifier ,
model_init_params = dict (
boosting_type = Categorical ([ 'gbdt' , 'dart' ]),
num_leaves = Integer ( 5 , 20 ),
max_depth = - 1 ,
min_child_samples = 5 ,
subsample = 0.5
)
)
optimizer . go () optimizer = opt . GradientBoostedRegressionTreeOptPro ( iterations = 32 )
optimizer . forge_experiment (
model_initializer = CatBoostClassifier ,
model_init_params = dict (
iterations = 100 ,
eval_metric = Categorical ([ 'Logloss' , 'Accuracy' , 'AUC' ]),
learning_rate = Real ( low = 0.0001 , high = 0.5 ),
depth = Integer ( 4 , 7 ),
allow_writing_files = False
)
)
optimizer . go () optimizer = opt . ExtraTreesOptPro ( iterations = 10 )
optimizer . forge_experiment (
model_initializer = RGFClassifier ,
model_init_params = dict (
max_leaf = 1000 ,
algorithm = Categorical ([ 'RGF' , 'RGF_Opt' , 'RGF_Sib' ]),
l2 = Real ( 0.01 , 0.3 ),
normalize = Categorical ([ True , False ]),
learning_rate = Real ( 0.3 , 0.7 ),
loss = Categorical ([ 'LS' , 'Expo' , 'Log' , 'Abs' ])
)
)
optimizer . go ()これは、 Experimentが生成されると期待できるファイル構造の簡単な図です。ディレクトリ構造とさまざまなファイルの内容の詳細な説明については、ドキュメントのファイル構造の概要セクションを参照してください。ただし、必需品は次のとおりです。
Experiment 、 experiment_idによって名前が付けられた各ハイパーパラメーターハンターセット/実験サブディレクトリにファイルを追加しますExperimentは、HyperParameterHunterAssets/LeaderBoards/Globalleaderboard.csvへのエントリも追加されますEnvironmentのfile_blacklistとdo_full_save kwargsを介して作成されたファイルをカスタマイズします（ここに文書化） HyperparameterHunterAssets
| Heartbeat.log
|
└───Experiments
| |
| └───Descriptions
| | | <Files describing Experiment results, conditions, etc.>.json
| |
| └───Predictions<OOF/Holdout/Test>
| | | <Files containing Experiment predictions for the indicated dataset>.csv
| |
| └───Heartbeats
| | | <Files containing the log produced by the Experiment>.log
| |
| └───ScriptBackups
| | <Files containing a copy of the script that created the Experiment>.py
|
└───Leaderboards
| | GlobalLeaderboard.csv
| | <Other leaderboards>.csv
|
└───TestedKeys
| | <Files named by Environment key, containing hyperparameter keys>.json
|
└───KeyAttributeLookup
| <Files linking complex objects used in Experiments to their hashes>
pip install hyperparameter-hunter
最先端にいるのが好きで、最新の開発をすべて希望する場合は、実行してください。
pip install git+https://github.com/HunterMcGushion/hyperparameter_hunter.git
HyperParameterHunterに貢献したい場合は、ここから始めてください。
それで大丈夫です。気分が悪くないでください。頭を包むのは少し奇妙です。これは、すべてがどのように関連しているかを示す例です。
from hyperparameter_hunter import Environment , CVExperiment , BayesianOptPro , Integer
from hyperparameter_hunter . utils . learning_utils import get_breast_cancer_data
from xgboost import XGBClassifier
# Start by creating an `Environment` - This is where you define how Experiments (and optimization) will be conducted
env = Environment (
train_dataset = get_breast_cancer_data ( target = 'target' ),
results_path = 'HyperparameterHunterAssets' ,
metrics = [ 'roc_auc_score' ],
cv_type = 'StratifiedKFold' ,
cv_params = dict ( n_splits = 10 , shuffle = True , random_state = 32 ),
)
# Now, conduct an `Experiment`
# This tells HyperparameterHunter to use the settings in the active `Environment` to train a model with these hyperparameters
experiment = CVExperiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
objective = 'reg:linear' ,
max_depth = 3
)
)
# That's it. No annoying boilerplate code to fit models and record results
# Now, the `Environment`'s `results_path` directory will contain new files describing the Experiment just conducted
# Time for the fun part. We'll set up some hyperparameter optimization by first defining the `OptPro` (Optimization Protocol) we want
optimizer = BayesianOptPro ( verbose = 1 )
# Now we're going to say which hyperparameters we want to optimize.
# Notice how this looks just like our `experiment` above
optimizer . forge_experiment (
model_initializer = XGBClassifier ,
model_init_params = dict (
objective = 'reg:linear' , # We're setting this as a constant guideline - Not one to optimize
max_depth = Integer ( 2 , 10 ) # Instead of using an int like the `experiment` above, we provide a space to search
)
)
# Notice that our range for `max_depth` includes the `max_depth=3` value we used in our `experiment` earlier
optimizer . go () # Now, we go
assert experiment . experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
# Here we're verifying that the `experiment` we conducted first was found by `optimizer` and used as learning material
# You can also see via the console that we found `experiment`'s saved files, and used it to start optimization
last_experiment_id = optimizer . current_experiment . experiment_id
# Let's save the id of the experiment that was just conducted by `optimizer`
optimizer . go () # Now, we'll start up `optimizer` again...
# And we can see that this second optimization round learned from both our first `experiment` and our first optimization round
assert experiment . experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
assert last_experiment_id in [ _ [ 2 ] for _ in optimizer . similar_experiments ]
# It even did all this without us having to tell it what experiments to learn from
# Now think about how much better your hyperparameter optimization will be when it learns from:
# - All your past experiments, and
# - All your past optimization rounds
# And the best part: HyperparameterHunter figures out which experiments are compatible all on its own
# You don't have to worry about telling it that KFold=5 is different from KFold=10,
# Or that max_depth=12 is outside of max_depth=Integer(2, 10) これらは「getcha」かもしれないものです
OptProに初期検索ポイントを提供できませんか？OptProを初期化する前にCVExperiment実行するだけですExperiment OptProによって定義された検索スペースに適合すると、オプティマイザーはExperimentの結果を見つけて読みますExperimentを削除したいと思うでしょう。そこに残すことは、同じExperimentを何度も実行するだけですActivation層の使用を切り替え、 activation KWARGでDense層を提供することにより引き起こされる可能性がありますDense(10, activation='sigmoid')Dense(10); Activation('sigmoid')Activationレイヤーを使用するか、他のレイヤーにactivation KWARGを提供し、それに固執します！model.compile引数を最適化できません： optimizerとoptimizer_params同時に？optimizers異なる議論を期待しているために起こりますoptimizer=Categorical(['adam', 'rmsprop'])の場合、 optimizer_paramsには2つの異なる可能なdictがありますoptimizerとoptimizer_params個別に最適化することしかできませんoptimizer_params値を提供しないことです。そうすれば、各optimizerデフォルトのパラメーターを使用しますoptimizerが最適かを選択し、 optimizer=<best optimizer>を設定し、選択したoptimizerに固有の引数を使用して、Tuning optimizer_paramsに移動できます。__init__メソッドがどこか別の場所で定義され、署名にNoneプレースホルダー値が与えられているため、これが起こっている可能性があります。Noneと仮定しています。
