综合实训周报五

理论学习

本周则继续学习在金融分控领域常用的机器学习模型，并学习机器学习模型的建模过程与调参流程。

其中本周重点是学习了如何对模型进行调参，详细料及了贪心调参、网格搜索调参、贝叶斯调参这三种方法，

贪心调参先使用当前对模型影响最大的参数进行调优，达到当前参数下的模型最优化，再使用对模型影响次之的参数进行调优，如此下去，直到所有的参数调整完毕。这个方法的缺点就是可能会调到局部最优而不是全局最优，但是只需要一步一步的进行参数最优化调试即可，容易理解。

网格搜索，sklearn 提供GridSearchCV用于进行网格搜索，只需要把模型的参数输进去，就能给出最优化的结果和参数。相比起贪心调参，网格搜索的结果会更优，但是网格搜索只适合于小数据集，一旦数据的量级上去了，很难得出结果。

贝叶斯调参的主要思想是：给定优化的目标函数(广义的函数，只需指定输入和输出即可，无需知道内部结构以及数学性质)，通过不断地添加样本点来更新目标函数的后验分布(高斯过程,直到后验分布基本贴合于真实分布）。简单的说，就是考虑了上一次参数的信息，从而更好的调整当前的参数。

实践学习

本周主要的任务是学习了网上相关的教程方法，并根据他们的方法自己实践学习。同时对相关参数进行了调整。本次项目的数据量较大，网格搜索调参会特别特别慢。

本周得到的成绩如图所示：