论文链接:https://arxiv.org/pdf/1807.02811.pdf
代码链接:https://github.com/fmfn/BayesianOptimization
AutoML 走到今天,已演化出诸多行之有效的自动调参机制,贝叶斯优化 (Bayes optimization) 是其中的优秀代表。原理上,贝叶斯优化通过 高斯过程 (Gaussian process)、TPE (Tree Parzen Estimators) 或 随机森林 (random forest) 拟合超参数与损失函数间的隐藏关系,并在每一轮迭代完成时基于当前拟合函数给出最优参数的建议,进入下一次迭代。相对于网格搜索和随机搜索等无头绪的超参数尝试,贝叶斯优化显然更为高效和精确。可以预期的是,不久的将来,目前流行的网格搜索和随机搜索都将被取代。
关于贝叶斯优化的具体细节请读者自行参考论文,以下提供基于 Python 官方第三方库实现的贝叶斯调参方式。
# 命令行安装
$ pip install bayesian-optimization
# 导入
from ba