machine-learning - 如何使用MOE调整机器学习超参数？

我正在尝试使用MOE（在Yelp中创建的“度量优化引擎”）调整机器学习算法的超参数。他们的文档有点有限，我很难找到要遵循的示例。

假设我想根据以下分布找到Support Vector Machine的C，Gamma和kernel type的最佳值：

SVC_PARAMS = [
    {
        "bounds": {
            "max": 10.0,
            "min": 0.01,
        },
        "name": "C",
        "type": "double",
        "transformation": "log",
    },
    {
        "bounds": {
            "max": 1.0,
            "min": 0.0001,
        },
        "name": "gamma",
        "type": "double",
        "transformation": "log",
    },
    {
        "type": "categorical",
        "name": "kernel",
        "categorical_values": [
            {"name": "rbf"},
            {"name": "poly"},
            {"name": "sigmoid"},
        ],
    },
]

我要最大化的目标函数是训练集的accuracy score。

如何使用MOE's api完成此操作？

最佳答案

MOE不支持分类变量，它仅允许连续的超参数。要实现您想要的目标，可以将每个分类实例作为一个单独的问题进行优化，然后使用MOE examples中概述的流程。最后，您可以从每种内核类型的优化模型中选择最佳模型。

或者，您可以使用由创建MOE的团队构建的SigOpt。我们基于并扩展了MOE中开始的许多工作。它提供对连续，整数和分类参数的支持，以及MOE中未提供的许多其他功能和增强功能。我们在this blog post中概述了这个确切的示例，并提供了示例代码。您可以在我们的免费试用层或我们的免费学术层中运行此示例。

关于machine-learning - 如何使用MOE调整机器学习超参数？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33205228/