机器学习中的超参数调优(网络搜素，随机搜索，贝叶斯优化算法)

超参数有那些调优方法呢？？？？

为了进行超参数调优，一般会采取网络搜索，随机搜索，贝叶斯优化算法。超参数搜索算法一般包括那几个要素：1、目标函数，即算法需要最大化/最小化的目标。2、搜索范围，一般通过上限和下限来确定。3、算法的其他参数，如搜索步长。
网络搜索：

网络搜索可能时最简单，应用最广泛的超参数搜索算法，它通过查找范围内的所有点来确定最优值，如果采取较大的搜索范围以及较小的步长，网络搜索有很大概率找到全局最优解。然而这种搜索方案十分消耗计算资源和时间，特别时需要调优的超参数特别多的时候。因此，在实际应用中，网络搜索法一般会限使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置，然后再逐渐缩小搜索范围和步长，来寻找更精确的最优值，这种方案可以降低所需的时间和计算量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。

随机搜索：

随机搜索的思想与网格搜索比较相似，只是不再测试上界和下界之间的所有值，而是再搜索范围中随机选取样本点，它的理论依据是，如果样本点足够大，那么通过随机采样也能大概率地找到全局最优值，或者近似值，随机搜索一般会比网格搜索要快一些，但是和网络搜索的快速版一样，其结果也是没法保证的

贝叶斯优化算法：

贝叶斯优化算法再寻找最优最值参数时，采用了网络搜索，随机搜索完全不同的方法，网络搜索和随机搜索再测试一个新点时，会忽略前一个点的信息，而贝叶斯优化算法则充分利用了之前的信息，贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数，具体来说，它学习目标函数形状的方法是，首先根据先验分布，假设一个搜索函数，然后每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布，最后，算法测试有后验分布给出的全局最值最可能出现的位置点。对贝叶斯优化算法，有一个需要注意的地方，一旦找到一个局部最优值，它回在该区域不断采样，所以很容易陷入局部最优值。为了弥补这个缺陷，贝叶斯优化算法回在探索和利用之间找到平衡点，探索就是在还未取样的区域获取采样点，而利用测试根据后验分布在最可能出现全局最值的区域进行采样