rodrigo-arenas/Sklearn-genetic-opt

解決的問題

為 scikit-learn 模型提供比 GridSearchCV 和 RandomizedSearchCV 更智慧的替代方案。解決在搜尋大量超參數時產生的「組合爆炸」問題，同時解決單一參數逐一搜尋常忽略的最優參數交互關係（例如學習率與估計器數量之間的聯合關係）。

工作原理

該工具包使用遺傳演算法來進化參數配置的族群。與檢查固定網格或隨機點不同，它評估完整的配置，並使用自適應的交叉與變異排程，從探索階段平滑過渡到利用階段。它包含 GASearchCV 用於超參數調校，以及 GAFeatureSelectionCV 用於基於包裝器的特徵選擇，兩者均設計為標準 scikit-learn API 的即插即用替代品。

適用對象

適用於訓練成本高昂的模型、搜尋空間中包含五個或更多相互作用的超參數（如梯度提升或 SVM）的機器學習實務者，或需要將特徵選擇與調校結合成可重現工作流程的使用者。

主要亮點

• scikit-learn 兼容：使用與 GridSearchCV 相同的 fit/predict 接口，便於整合。
• 混合搜尋空間：可同時支援整數、連續型（均勻或對數均勻）和分類類型。
• 智能初始化：使用拉丁超立方體播種和熱啟動配置，提升初始族群品質。
• 早期停止：支援 ConsecutiveStopping 和 TimerStopping 等回呼，可在收斂或達到時間限制時終止搜尋。
• 實驗追蹤：內建 MLflow 集成與視覺化工具，用於繪製適應度曲線與參數交互關係。