贝叶斯调参原理总结

超参数优化基本分为三类：网格搜索，随机搜索和贝叶斯调参

先上算法图：

　　在调参过程中，在给定的数据集下，不同参数组合X_t=(x1,x2,..xn)和指定的目标函数（比如auc,msre）之间的函数关系为y = f(X),X是给定范围下的所有参数组合，S是采集函数，M是用来求后验概率p(y | X)的模型（一般选用的都是高斯模型）。　　

　　在BayesianOptimization 这个库,可以通过选择init_points指定算法开始时随机生成几组参数（比如t组），那么开始得到D_1:t={(x₁, y₁), (x₂, y₂), …, (x_t, y_t)，我们认为y分布服从高斯分布，通过高斯过程得到（更新D后的y的条件概率分布p(y | Dt),有了条件概率分布就能得到f）目标函数的分布,采集函数又根据f，在开发和探索之间平衡，得到下一次最有可能最大化f的一组参数Xt+1,将这组参数加入Dt后得到Dt+1，将Dt+1带入高斯分布中计算得到下一轮的y的概率分布。

 

 

参考：

贝叶斯，网格搜索，随机搜索简单应用：https://www.jianshu.com/p/5378ef009cae

贝叶斯python库github地址：https://github.com/fmfn/BayesianOptimization

贝叶斯调参原理：

1、原理详细介绍：http://www.jos.org.cn/html/2018/10/5607.htm#outline_anchor_5

2、高斯过程与采集函数关系：https://www.jianshu.com/p/5378ef009cae

 3、暂时没看懂的强大而精致的介绍：https://www.cnblogs.com/yangruiGB2312/p/9374377.html

 

转载于:https://www.cnblogs.com/IcarusYu/p/10805467.html