sci-kit learn 库中算法的参数是如何优化的？答案

【问题标题】：How does optimization happen in the parameters of the algorithms in sci-kit learn library?sci-kit learn 库中算法的参数是如何优化的？
【发布时间】：2020-05-20 15:11:33
【问题描述】：

当从数学角度看机器学习时，我们有成本函数，以减少下一次预测的误差，并且我们会继续优化特定算法中使用的方程的参数。

我想知道这个优化在图书馆的什么地方发生 Sci-kit learn。没有做这项工作的功能，目前我知道，有相当多的algorithms as functions。

有人可以告诉我如何在 sci-kit learn 中优化这些参数，有没有办法在提到的库中做到这一点，或者只是为了学习目的。我看到了logistic regression的库代码，但一无所获。

感谢任何努力。

【问题讨论】：

“我看到了逻辑回归库的代码，但一无所获”——这正是你应该在 GitHub 上寻找问题答案的地方。据我所知，该库会自动进行优化，因此您不必“优化 sci-kit learn 中的那些参数”
也许您正在寻找GridsearchCV？这是跨 sklearn 模型优化参数的首选
好的，我在这里遇到了一个新问题 GridsearchCV 确实允许我使用不同的 haperparameters 值，但它也执行交叉验证，这会产生新问题，因为我退出了这个讨论。有没有其他出路stackoverflow.com/questions/60102900/…

标签： python machine-learning scikit-learn data-science

【解决方案1】：

我明白了。 GridsearchCV 是答案，这就是我要找的。我认为它允许我们选择 alpha、c 和迭代次数的值，因此，不允许直接更改权重的值，我认为没关系，或者这就是我们在执行相同操作后如何为这些参数分配值独立处理。这个article帮助我很好地理解了它。

【讨论】：

嘿，我认为您将参数和超参数混淆了。适合初学者，但重要的是要了解其中的区别。
参数和超参数混在一起是什么意思。抱歉，如果这是一个新手问题..实际上我是新手
参数是模型内部的权重，由使用的优化算法确定，例如梯度下降。超参数是您在模型运行之前需要的设置，例如 alpha、学习率、最大时期等。GridSearch 是一种进行超参数调整的方法。所以优化参数和超参数的算法是两个非常不同的东西。词汇学好一点后，你会更容易获得帮助，所以不妨去学习各种词汇术语。没关系，每个人都必须从某个地方开始。祝你好运。
哇，我明白了，请告诉我我是否正确。当我们更改 alpha 等超参数的值时，我们这样做不是为了获得参数的最佳值。就像梯度下降我使用多个 alpha 值只是为了找到 theta 的最佳值，即参数
几乎是的。没有单一的“最佳”θ。但是我们试图找到最好的超参数，让模型有最好的机会找到我们如何定义最佳参数含义的最佳近似值。但除了这个继承的模糊性，现在你似乎明白了。