机器学习：超参数调优的方法（网格搜索 、随机搜索、贝叶斯优化算法）

对于很多算法工程师来说， 超参数调优是件非常头疼的事。除了根据经验设定所谓的“合 理值”之外， 一般很难找到合理的方法去寻找超参数的最优取值。 而与此同时，超参数对于模型效果的影响又至关重要。 高没有一些可行的办法去进行超参数的调优呢？

为了进行超参数调优，我们一般会采用网格搜索、 随机搜索、贝叶斯优化等算法。 在具体介绍算法之前，需要明确超参数搜索算法一般包括哪几个要素。一是目标函数，即算法需要最大化／最小化的目标；二是搜索范围，一般通过上限和下限来确定 ； 三是算法的其他参数， 如搜索步长。

网格搜索

网格搜索可能是最简单、应用最广泛的超参数搜索算法， 色通过查找搜索范围内的所有的点来确定最优值。 如果采用较大的搜索范围以及较小的步长，网恪搜索高很大概率找到全局最优值。 然而，这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候。因此， 在实际应用中，网格搜索法一般会先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；然后会逐渐缩小搜索范围和步长，来寻找更精确的最优值。 这种操作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，而是在搜索范围中随机选取样本点。 它的理论依据是，如果样本点集足够大，那么通过随机采样也能大概率地找到全局最优值， 或其近似值。随机搜索一般会比网格搜索要快一些，但是和网格搜索的快速版一样，它的结果也是没法保证的。

贝叶斯优化算法

贝叶斯优化算法在寻找最优值参数时，采用了与网格搜索、随机搜索完全不同的方法。网格搜索和随机搜索在测试一个新点时，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 一个搜集函数，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，算法测试由后验分布给出的全局最值最可能出现的位置的点。对于贝叶斯优化算法，有一个需要注意的地方，一旦找到了一个局部最优值，它会在该区域不断采样，所以很容易陷入局部最优值。为了弥补这个缺陷，贝叶斯优化算法会在探索和利用之 间找到一个平衡点，“探索”就是在还未取样的区域获取采样点；而“利用”则是根据后验分布在最可能出现全局最值的区域进行采样。