16、机器学习中的超参数调优与深度学习网络架构优化

机器学习中的超参数调优与深度学习网络架构优化

一、Wine 数据集与 AdaBoost 分类器

1.1 Wine 数据集

Wine 数据集来自 UCI 机器学习库（https://archive.ics.uci.edu/），包含对意大利同一地区种植的 178 种不同葡萄酒进行化学分析的结果。这些葡萄酒被分为三种类型。化学分析包括 13 种不同的测量值，代表每种葡萄酒中以下成分的含量：
- 酒精
- 苹果酸
- 灰分
- 灰分碱度
- 镁
- 总酚
- 类黄酮
- 非类黄酮酚
- 原花青素
- 颜色强度
- 色调
- 稀释葡萄酒的 OD280/OD315
- 脯氨酸

数据集的第 2 - 14 列包含上述测量值，而分类结果（葡萄酒类型，1、2 或 3）位于第一列。

1.2 AdaBoost 分类器

自适应提升算法（AdaBoost）是一种强大的机器学习模型，它通过加权和的方式组合多个简单学习算法（弱学习器）的输出。在学习过程中，AdaBoost 会添加弱学习器实例，并对每个实例进行调整，以改善之前错误分类的输入。

scikit - learn 库实现的 AdaBoost 分类器（https://scikit - learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html）使用了几个超参数，如下表所示：
| 名称 | 类型 | 描述 | 默认值 |
| — | — | — | —