hyperopt/hyperopt

解決的問題

Hyperopt 簡化了尋找機器學習模型最佳超參數的過程。它允許使用者優化包含實數值、離散值和條件維度混合的「棘手」搜索空間，減少了調整模型性能所需的人工工作。

工作原理

使用者使用 hp 模組定義一個要最小化的目標函數和一個搜索空間。接著，Hyperopt 會應用優化演算法來建議最佳參數。它支援三種主要的演算法：

• Random Search：參數採樣的基準方法。
• Tree of Parzen Estimators (TPE)：一種貝氏優化方法。
• Adaptive TPE：TPE 的進化版本。

為了處理大規模任務，此函式庫可以使用 Apache Spark 或 MongoDB 對評估進行並行化處理。

適用對象

專為需要跨各種類型的數據分佈自動調整複雜模型參數的數據科學家和機器學習工程師設計。

亮點

• 靈活的搜索空間：支援實數值、離散值和條件維度。
• 分布式優化：與 Apache Spark 和 MongoDB 集成以實現並行執行。
• 多種演算法：包括 TPE、Adaptive TPE 和 Random Search。
• 可擴展設計：旨在容納貝氏優化演算法。