Auto-Machine-Learning初探
前言
最近在看AutoML，业界在 automl 上的进展还是很不错的，个人比较看好这个方向，所以做了一些了解：
- Google: Cloud AutoML, Google’s Prediction API
- Microsoft: Custom Vision, Azure Machine Learning
- Amazon: Amazon Machine Learning
- BaiDu：EasyE
- Alibaba Group：PAI
- others: BigML.com, Wise.io, SkyTree.com, RapidMiner.com, Dato.com, Prediction.io, DataRobot.com,H2O.AI
github上的开源项目也是有不少的，我所看到的包括：
- tpot
- 多项式特征组合
- 无监督特征筛选
- 集成分类
- auto_ml
- 集成分类
- 可选深度模型前置
- auto_sklearn
- 特征清洗
- 特征筛选
- 元学习前置
- 超参数自动学习
- 自动集成分类
auto_sklearn
上述开源项目中，我主要看了auto_sklearn，对他的架构设计，算法设计还是很感兴趣的，论文在这边Efficient and Robust Automated Machine Learning：
-
meta-learning
- 这边auto_sklearn已经内置诺干个参数选配好了的模型（可能是手动调参数，也有可能是也通过贝叶斯优化的方法在小样本上选择），我们实际去用的时候是根据元特征相似度进行选择即可
- 《Initializing Bayesian Hyperparameter Optimization via Meta-Learning》指出可以用L1和特征协方差来筛选，聪明的你一定发现，对离散值真不友好
- 元特征就是站在常规数据之上的汇总信息：
- 这边auto_sklearn已经内置诺干个参数选配好了的模型（可能是手动调参数，也有可能是也通过贝叶斯优化的方法在小样本上选择），我们实际去用的时候是根据元特征相似度进行选择即可
-
常规 ML framework 如下图灰色部分：导入数据-数据清洗-特征工程-分类器-输出预测值
- 这边都是常规操作，我扩充了他里面的各种方法，总结在数据预处理
-
Bayesian optimizer
- 这个等下细讲，是这个论文中最有价值的地方之一
-
build-ensemble
- 模型集成
Bayesian optimizer
通常我们在参数尝试的时候都是依赖如下：
- 暴力法
- Grid Search 网格搜索/穷举搜索
- Random Search 随机搜索
- Bayesian Optimization
- 能利用先验知识高效地调节超参数，通过减少计算任务而加速寻找最优参数的进程。不依赖人为猜测所需的样本量为多少，优化技术基于随机性，概率分布
- Neural Network
- 用深度神经网络代替常规配置，通过线性+非线性变化拟合任何曲线
Bayesian optimizer在实际被应用的过程中使用的较多，是实现自动参数选择的核心，让我们来仔细看下，伪代码：
- 构建超参数与优化函数的关系（代理函数）：比如gbdt中的树数量与output的AUC之间的函数f，这一般都是模型，黑盒的
- 随机初始化原始数据集合
- 通过高斯过程/随机森林等对代理函数进行建模
- 设计acquisition function，（EI，UCB，TS等），获取最大acquisition function对于假设数据集作为新增数据集
- 把新增数据集扩充到2中的数据集中重复更新整个过程
上述代码实现，非常简单，完整代码自取GP_Bayes_Optimizaion
init：
init_xs = np.random.uniform(bound_dict.get("x", [0, 0])[0],bound_dict.get("x", [1, 1])[1],size=self.init_point_number)
init_ys = np.random.uniform(bound_dict.get("y", [0, 0])[0], bound_dict.get("y", [1, 1])[1],size=self.init_point_number)
init_points = zip(init_xs, init_ys)
init_labels = map(self.target_loss_function, init_xs)
train_features = np.asarray(list(init_points))
train_negative_loss = np.asarray(list(init_labels))
current_max_negative_loss = max(train_negative_loss)
Acquision function computes the max value
x_tries = np.random.uniform(bounds[:, 0], bounds[:, 1], size=(100000, bounds.shape[0]))
mean, std = gp.predict(x_tries, return_std=True)
acquisition_fucntion_values = self.Acquision_function(mean, std)
x_max = x_tries[np.argmax(acquisition_fucntion_values)]
max_acquision_fucntion_value = max(acquisition_fucntion_values)
x_max = np.clip(x_max, bounds[:, 0], bounds[:, 1])
因为我写的是简单的高斯过程这种形式，很多人对高斯过程为什么能拟合出方差均值不清楚，我手写了一些推导过程高斯过程回归。
Bayesian optimizer来解决这类问题，有很多的优点的：
- 利用先验知识高效地调节超参数，每个试验不独立，有点boost味道
- 通过高效的猜测而加速寻找最优参数的进程
- 数据要求低，在目标函数未知且计算复杂度高的情况下极其强大
- 泛化性/鲁棒性好，不易陷入局部最优
其他优秀资料
- Efficient and Robust Automated Machine Learning
- User Modeling and Hierarchical Reinforcement Learning
- Practical Bayesian Optimization of Machine Learning Algorithms
- Initializing Bayesian Hyperparameter Optimization via Meta-Learning
- A Conceptual Explanation of Bayesian Hyperparameter Optimization for Machine Learning
- Automated Machine Learning Hyperparameter Tuning in Python
auto-sklearn快速体验
>>> import autosklearn.classification
>>> import sklearn.model_selection
>>> import sklearn.datasets
>>> import sklearn.metrics
>>> X, y = sklearn.datasets.load_digits(return_X_y=True)
>>> X_train, X_test, y_train, y_test = \
sklearn.model_selection.train_test_split(X, y, random_state=1)
>>> automl = autosklearn.classification.AutoSklearnClassifier()
>>> automl.fit(X_train, y_train)
>>> y_hat = automl.predict(X_test)
>>> print("Accuracy score", sklearn.metrics.accuracy_score(y_test, y_hat))
欢迎大家关注我的个人bolg，知乎，更多代码内容欢迎follow我的个人Github，如果有任何算法、代码疑问都欢迎通过邮箱发消息给我。