超参寻优使用简介
由clearyf创建，最终由clearyf 被浏览 660 用户
导语
在机器学习模型建立过程中通常需要对模型中的超参数进行优化，本文给大家介绍超参优化模块，它可以帮助大家对我们平台上的机器学习模型进行超参数优化，让你的收益更上一层楼
超参寻优理论简介
在机器学习里，我们本质上是对损失函数进行最优化的过程。
过程类似下面的曲面，算法试图去寻找损失曲面的全局最小值，当然损失曲面实际中不一定是凸曲面， 可能会更加凹凸不平，存在多个局部高低点。
我们还是回到主题，讲述的重点在于超参数寻优的意义。当我们损失曲面给定的时候，我们寻找最优点的路径可能会有一些模型以为的超参数来确定。形象的比喻， 如下图，不同的超参数可能对应这一条不同的寻优路径，比如当我们控制学习率的时候，模型每一步权重更新的步长就会不一样，这样可能导致寻优路径产生根本的差异， 尤其是在高维空间下。
模块使用介绍
在介绍了超参优化的原理后，就来介绍我们提供的超参寻优模块工具。
首先打开可视化策略，然后在左边的高级优化下面找到超参搜索，并把它拖进来：
单击模块后，我们能够在右边看到模块的属性，包括：
超参数输入：
在这里构造参数搜索空间。在超参数输入里，我们只需要指定需要调优的参数名，已经参数的搜索空间就ok了，下面给出了示例：
def bigquant_run():
param_grid = {}
# 在这里设置需要调优的参数备选
param_grid['m6.number_of_trees'] = [5, 10, 20]
return param_grid
切换到代码模式，可以参考所有可以调优的参数，甚至包括算法和算法的版本都可以修改。
评分函数：
评分函数是用来评价一组参数好坏的指标，下面我们给出了一个示例，以回测最终的夏普比作为评分函数：
def bigquant_run(result):
score = result.get('m19').read_raw_perf()['sharpe'].tail(1)[0]
return score
参数搜索算法：
参数搜索算法有两个可选项：
- 网格搜索
- 随机搜索
网格搜索是指给定参数组合后，遍历所有的排列组合。随机搜索指的是每次从所有的排列组合中，随机抽出一组参数，在具有很多参数的情况下，随机搜索会更有效率。
**搜索迭代次数：**在随机搜索的情况下，最多迭代的次数。
**并行运行作业数：**指用多少个线程同时搜索所有参数空间。
策略案例
提示：超参搜索属于高级优化模块，其调用的是整个可视化画布，因此不能单独运行该模块，而是 点击 运行全部。
https://bigquant.com/experimentshare/57d7f8ea10ce421291eaeace26eeccb6
超參寻优，寻找trade模块里面的参数案例。
https://bigquant.com/experimentshare/5e8e4afc7b284a0ebf2b71247e090d91
\