1. 什么是超参数
超参数是机器学习算法中需要人为设定的参数,不能直接从训练数据中学习得到;
而模型参数则是模型的参数,可由模型从训练数据中学习得到。
2. 简单的超参数优化方法
手肘法
以K-means聚类算法为例,要选择一个合适的超参数k,使得聚类结果最佳:
确定一个k值的范围,如(1-10),遍历k值,绘制一个折线图,y轴为性能指标(此例中为数据点离簇心距离之和),x轴为k。
得到如下图像:
可见在k=1-2,2-3时,y有明显变化,而从k=3-4开始则没有明显变化,所以k=3即为手肘,选择3作为超参数k的值最为合适。
代码实现
distances = [] # 所有样本点离其簇中心的距离
for k in range(1, 10):
centers, cluster = k_means(X, k) # cluster为聚类结果,有k个list,每个list里是属于该类的所有样本点
print('聚类中心为:%s' % centers)
disk = 0
for ci in range(0, k):
for point in np.array(cluster[ci]):
disk += euclidean_distance(centers[ci], point, 4)
distances.append(disk)
plt.figure(1)
plt.plot(range(1, 10), distances)
plt.ylabel("distances")
plt.xlabel("k")
plt.title("K-means distances-k")
plt.show()
# 计算两个点之间的欧拉距离
def euclidean_distance(X1, X2, feature_num):
distance = 0.0
for x in range(feature_num):
distance += pow((X1[x] - X2[x]), 2)
return distance