5行代码使Scikit-Learn参数学习速度提升5倍

做者|Michael Chau
编译|VK
来源|Towards Data Science

你们都知道Scikit-Learn——它是数据科学家基本都知道的产品，提供了几十种易于使用的机器学习算法。它还提供了两种现成的技术来解决超参数调整问题：网格搜索（GridSearchCV）和随机搜索（RandomizedSearchCV）。

这两种技术都是找到正确的超参数配置的强力方法，可是这是一个昂贵和耗时的过程！

若是想加快这个过程呢

在这篇博客文章中，咱们介绍了tune-sklearn(https://github.com/ray-projec...，它使得在使用Scikit-Learn API的同时更容易利用这些新算法。

Tune sklearn是Scikit Learn模型选择模块的一个替代品，采用了先进的超参数调整技术（贝叶斯优化、早期中止、分布式执行）——这些技术比网格搜索和随机搜索提供了显著的加速！

如下是tune sklearn提供的功能：

• 与Scikit Learn API的一致性：tune sklearn是GridSearchCV和RandomizedSearchCV的一个替换，所以你只须要在标准Scikit Learn脚本中更改不到5行便可使用API。
• 现代超参数调整技术：tune-sklearn容许你经过简单地切换几个参数，就能够轻松地利用贝叶斯优化、超空间和其余优化技术。
• 框架支持：tune-sklearn主要用于调优Scikit-Learn模型，但它也支持并为许多其余具备Scikit-Learn框架提供示例，例如Skorch （Pytorch）、KerasClassifiers（Keras）和XGBoostClassifiers（XGBoost）。
• 分布式：Tune sklearn利用Ray Tune，一个分布式超参数调优库，高效透明地并行化多核甚至多台机器上的交叉验证。

Tune sklearn也很快。为了看到这一点，咱们在标准的超参数扫描上，将tune sklearn（启用早期中止）与本机Scikit Learn进行基准测试。在咱们的基准测试中，咱们能够看到普通笔记本电脑和48个CPU核心的大型工做站的显著性能差别。

对于更大的基准48核计算机，Scikit Learn花了20分钟在大小为40000的数据集上搜索75个超参数集。Tune sklearn只花了3.5分钟，而且以最小影响性能的方式执行。

第一个图：在我的双核i5 8gb ram笔记本电脑上，搜索6个超参集。第二个图：在一台48核250gb ram的大型计算机上，搜索75个超参集。

注意：对于较小的数据集（10000个或更少的数据点），在试图应用早期中止时，可能会牺牲准确性。咱们预计这不会对用户产生影响，由于该库旨在用大型数据集加速大型训练任务。

简单的60秒漫游

运行pip install tune-sklearn ray[tune]开始下面章节的示例代码。

让咱们来看看它是如何工做的。

Hyperparam set 2是一组没有但愿的超参数，它将被tune的早期中止机制检测到，并提早中止以免浪费训练时间和资源。

TuneGridSearchCV示例

首先，只需更改import语句便可得到Tune的网格搜索交叉：

# from sklearn.model_selection import GridSearchCV
from tune_sklearn import TuneGridSearchCV

从这里开始，咱们将像在Scikit Learn的接口风格中继续！让咱们使用一个“虚拟”自定义分类数据集和一个SGD分类程序来对数据进行分类。

咱们选择SGDClassifier是由于它有一个partial_fit的 API，这使得它可以中止拟合特定超参数配置的数据。若是估计器不支持早期中止，咱们将回到并行网格搜索。

# 导入其余库
import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import SGDClassifier

# 设置训练集和验证集
X, y = make_classification(n_samples=11000, n_features=1000, n_informative=50, 
                           n_redundant=0, n_classes=10, class_sep=2.5)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1000)

# 从SGDClassifier调优的示例参数
parameters = {
   'alpha': [1e-4, 1e-1, 1],
   'epsilon':[0.01, 0.1]
}

如你所见，这里的设置正是你为Scikit Learn所作的设置！如今，让咱们试着拟合一个模型。

tune_search = TuneGridSearchCV(
    SGDClassifier(),
    parameters,
    early_stopping=True,
    max_iters=10
)
import time # 比较拟合时间
start = time.time()
tune_search.fit(X_train, y_train)
end = time.time()
print("Tune Fit Time:", end - start)
pred = tune_search.predict(X_test)
accuracy = np.count_nonzero(np.array(pred) == np.array(y_test)) / len(pred)
print("Tune Accuracy:", accuracy)

请注意咱们在上面介绍的细微差异：

1. 一个新的early_stopping变量，以及
2. max_iters参数

early_stopping决定什么时候中止，MedianStoppingRule 是一个很好的默认设置，可是请参阅Tune的关于调度器的文档，以得到可供选择的完整列表：https://docs.ray.io/en/master...

max_iters是给定的超参数集能够运行的最大迭代次数；若是提早中止搜索超参数集，则能够运行较少的迭代。

请尝试将其与GridSearchCV进行比较

from sklearn.model_selection import GridSearchCV
# n_jobs=-1 使用全部内核
sklearn_search = GridSearchCV(
   SGDClassifier(),
   parameters,
   n_jobs=-1
)

start = time.time()
sklearn_search.fit(X_train, y_train)
end = time.time()
print("Sklearn Fit Time:", end - start)
pred = sklearn_search.predict(X_test)
accuracy = np.count_nonzero(np.array(pred) == np.array(y_test)) / len(pred)
print("Sklearn Accuracy:", accuracy)

TuneSearchCV贝叶斯优化示例

除了网格搜索接口以外，tunesklearn还提供了一个接口TuneSearchCV，用于从超参数分布中进行采样。

此外，只需几行代码更改，就能够轻松地对TuneSearchCV中的发行版启用贝叶斯优化。

运行pip install scikit-optimize以尝试如下示例：

from tune_sklearn import TuneSearchCV

# 其余导入
import scipy
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import SGDClassifier

# 设置训练集和验证集
X, y = make_classification(n_samples=11000, n_features=1000, n_informative=50, 
                           n_redundant=0, n_classes=10, class_sep=2.5)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1000)

# 从SGDClassifier调优的示例参数
# 注意，若是须要贝叶斯优化，则使用元组
param_dists = {
   'alpha': (1e-4, 1e-1),
   'epsilon': (1e-2, 1e-1)
}

tune_search = TuneSearchCV(SGDClassifier(),
   param_distributions=param_dists,
   n_iter=2,
   early_stopping=True,
   max_iters=10,
   search_optimization="bayesian"
)

tune_search.fit(X_train, y_train)
print(tune_search.best_params_)

第1七、18和26行是为启用贝叶斯优化而更改的代码行

如你所见，将tunesklearn集成到现有代码中很是简单。你能够看看更详细的例子：https://github.com/ray-projec...。

另外请看一看Ray对joblib的替代，它容许用户在多个节点（而不只仅是一个节点）上并行化训练，从而进一步加快了训练速度。

文档和示例

• 文档：https://docs.ray.io/en/master...
• 示例：Skorch with tune-sklearn：https://github.com/ray-projec...
• 示例：Scikit-Learn Pipelines with tune-sklearn：https://github.com/ray-projec...
• 示例：XGBoost with tune-sklearn：https://github.com/ray-projec...
• 示例：KerasClassifier with tune-sklearn：https://github.com/ray-projec...
• 示例：LightGBM with tune-sklearn：https://github.com/ray-projec...

注意：从导入ray.tune如连接文档所示，仅在nightly Ray wheels上可用，不久将在pip上提供

原文连接：https://towardsdatascience.co...

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/