5行代码使Scikit-Learn参数学习速度提高5倍

作者|Michael Chau 编译|VK 来源|Towards Data Science

大家都知道Scikit-Learn——它是数据科学家基本都知道的产品，提供了几十种易于使用的机器学习算法。它还提供了两种现成的技术来解决超参数调整问题：网格搜索（GridSearchCV）和随机搜索（RandomizedSearchCV）。

这两种技术都是找到正确的超参数配置的强力方法，但是这是一个昂贵和耗时的过程！

如果想加快这个过程呢

在这篇博客文章中，我们介绍了tune-sklearn(https://github.com/ray-project/tune-sklearn)，它使得在使用Scikit-Learn API的同时更容易利用这些新算法。

Tune sklearn是Scikit Learn模型选择模块的一个替代品，采用了先进的超参数调整技术（贝叶斯优化、早期停止、分布式执行）——这些技术比网格搜索和随机搜索提供了显著的加速！

以下是tune sklearn提供的功能：

• 与Scikit Learn API的一致性：tune sklearn是GridSearchCV和RandomizedSearchCV的一个替换，因此你只需要在标准Scikit Learn脚本中更改不到5行即可使用API。

• 现代超参数调整技术：tune-sklearn允许你通过简单地切换几个参数，就可以轻松地利用贝叶斯优化、超空间和其他优化技术。

• 框架支持：tune-sklearn主要用于调优Scikit-Learn模型，但它也支持并为许多其他具有Scikit-Learn框架提供示例，例如Skorch （Pytorch）、KerasClassifiers（Keras）和XGBoostClassifiers（XGBoost）。

• 分布式：Tune sklearn利用Ray Tune，一个分布式超参数调优库，高效透明地并行化多核甚至多台机器上的交叉验证。

Tune sklearn也很快。为了看到这一点，我们在标准的超参数扫描上，将tune sklearn（启用早期停止）与本机Scikit Learn进行基准测试。在我们的基准测试中，我们可以看到普通笔记本电脑和4