hyperopt/hyperopt

解决的问题

Hyperopt 简化了寻找机器学习模型最佳超参数的过程。它允许用户优化包含实数值、离散值和条件维度混合的“棘手”搜索空间，减少了调整模型性能所需的人工工作。

工作原理

用户使用 hp 模块定义一个要最小化的目标函数和一个搜索空间。然后，Hyperopt 应用优化算法来建议最佳参数。它支持三种主要算法：

• Random Search：参数采样的基准方法。
• Tree of Parzen Estimators (TPE)：一种贝叶斯优化方法。
• Adaptive TPE：TPE 的进化版本。

为了处理大规模任务，该库可以使用 Apache Spark 或 MongoDB 对评估进行并行化处理。

适用对象

专为需要跨各种类型的数据分布自动调整复杂模型参数的数据科学家和机器学习工程师设计。

亮点

• 灵活的搜索空间：支持实数值、离散值和条件维度。
• 分布式优化：与 Apache Spark 和 MongoDB 集成以实现并行执行。
• 多种算法：包括 TPE、Adaptive TPE 和 Random Search。
• 可扩展设计：旨在容纳贝叶斯优化算法。