深入探索Python机器学习算法：模型调优

深入探索Python机器学习算法：模型调优

文章目录 深入探索Python机器学习算法：模型调优模型调优1. 超参数搜索方法1.1 网格搜索（Grid Search）1.2 随机搜索（Random Search）1.3 贝叶斯优化（Bayesian Optimization）1.4 不同超参数搜索方法的优缺点和适用场景 2. 模型复杂度分析2.1 学习曲线和验证曲线2.2 正则化方法2.3 特征选择和特征工程 3. 模型融合与集成3.1 模型融合的方法Bagging（自助聚合）BoostingStacking（堆叠泛化） 3.2 常见的集成学习算法随机森林（Random Forest）AdaBoostGradient Boosting 3.3 模型融合的效果评估和参数调优以 Stacking 模型为例进行参数调优（使用网格搜索）

模型调优 1. 超参数搜索方法 1.1 网格搜索（Grid Search）

网格搜索是一种穷举搜索方法，它会遍历所有可能的超参数组合，找到最优的超参数组合。这种方法的优点是可以保证找到全局最优解，但缺点是计算复杂度高，尤其是当超参数空间较大时，计算时间会非常长。

from sklearn.model_selection import GridSearchCV from sklearn.svm import SVC import numpy as np # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) # 定义超参数网格 param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']} model = SVC() grid_search = GridSearchCV(model, param_grid, cv=5) grid_search.fit(X, y) print(f"Best parameters: {grid_search.best_params_}") print(f"Best score: {grid_search.best_score_}") # 查看所有参数组合的结果 results = grid_search.cv_results_ for mean_score, params in zip(results["mean_test_score"], results["params"]): print(f"Score: {mean_score:.3f}, Params: {params}") 1.2 随机搜索（Random Search）

随机搜索是从超参数的取值范围中随机选择一定数量的超参数组合进行评估，找到最优的超参数组合。相比于网格搜索，随机搜索的计算复杂度较低，在超参数空间较大时更具优势，但它不一定能找到全局最优解。

from sklearn.model_selection import RandomizedSearchCV from sklearn.svm import SVC import numpy as np from scipy.stats import uniform # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) # 定义超参数分布 param_dist = {'C': uniform(0.1, 10), 'kernel': ['linear', 'rbf']} model = SVC() random_search = RandomizedSearchCV(model, param_dist, n_iter=5, cv=5) random_search.fit(X, y) print(f"Best parameters: {random_search.best_params_}") print(f"Best score: {random_search.best_score_}") # 查看随机搜索的参数组合及结果 for i in range(random_search.n_iter): params = random_search.cv_results_['params'][i] score = random_search.cv_results_['mean_test_score'][i] print(f"Score: {score:.3f}, Params: {params}") 1.3 贝叶斯优化（Bayesian Optimization）

贝叶斯优化是一种基于概率模型的优化方法，它会根据之前的评估结果，选择下一组最有可能提高模型性能的超参数组合进行评估。这种方法可以利用历史信息，更快地找到最优解，尤其适用于超参数空间较大且评估代价较高的情况，但实现相对复杂。

from skopt import BayesSearchCV from sklearn.svm import SVC import numpy as np # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) # 定义超参数空间 param_space = {'C': (0.1, 10.0, 'log-uniform'), 'kernel': ['linear', 'rbf']} model = SVC() bayes_search = BayesSearchCV(model, param_space, n_iter=5, cv=5) bayes_search.fit(X, y) print(f"Best parameters: {bayes_search.best_params_}") print(f"Best score: {bayes_search.best_score_}") # 查看贝叶斯优化的迭代过程 for i in range(bayes_search.n_iter): params = bayes_search.cv_results_['params'][i] score = bayes_search.cv_results_['mean_test_score'][i] print(f"Iteration {i+1}: Score: {score:.3f}, Params: {params}") 1.4 不同超参数搜索方法的优缺点和适用场景 网格搜索：优点是可以找到全局最优解，缺点是计算复杂度高，适用于超参数空间较小的情况。随机搜索：优点是计算复杂度较低，缺点是不一定能找到全局最优解，适用于超参数空间较大的情况。贝叶斯优化：优点是可以利用之前的评估结果，更快地找到最优解，缺点是实现复杂，适用于超参数空间较大且评估代价较高的情况。 2. 模型复杂度分析 2.1 学习曲线和验证曲线

学习曲线可以帮助我们分析模型是否存在欠拟合或过拟合问题。验证曲线可以帮助我们选择合适的超参数，调整模型的复杂度。

from sklearn.model_selection import learning_curve, validation_curve from sklearn.linear_model import LogisticRegression import numpy as np import matplotlib.pyplot as plt # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) # 绘制学习曲线 model = LogisticRegression() train_sizes, train_scores, test_scores = learning_curve(model, X, y, cv=5) train_scores_mean = np.mean(train_scores, axis=1) train_scores_std = np.std(train_scores, axis=1) test_scores_mean = np.mean(test_scores, axis=1) test_scores_std = np.std(test_scores, axis=1) plt.figure() plt.title("Learning Curve") plt.xlabel("Training examples") plt.ylabel("Score") plt.grid() plt.fill_between(train_sizes, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, alpha=0.1, color="r") plt.fill_between(train_sizes, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, alpha=0.1, color="g") plt.plot(train_sizes, train_scores_mean, 'o-', color="r", label="Training score") plt.plot(train_sizes, test_scores_mean, 'o-', color="g", label="Cross - validation score") plt.legend(loc="best") plt.show() # 绘制验证曲线 param_range = np.logspace(-3, 3, 7) train_scores, test_scores = validation_curve( LogisticRegression(), X, y, param_name="C", param_range=param_range, cv=5, scoring="accuracy", n_jobs=1) train_scores_mean = np.mean(train_scores, axis=1) train_scores_std = np.std(train_scores, axis=1) test_scores_mean = np.mean(test_scores, axis=1) test_scores_std = np.std(test_scores, axis=1) plt.figure() plt.title("Validation Curve with Logistic Regression") plt.xlabel("C") plt.ylabel("Score") plt.ylim(0.0, 1.1) lw = 2 plt.semilogx(param_range, train_scores_mean, label="Training score", color="darkorange", lw=lw) plt.fill_between(param_range, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, alpha=0.2, color="darkorange", lw=lw) plt.semilogx(param_range, test_scores_mean, label="Cross-validation score", color="navy", lw=lw) plt.fill_between(param_range, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, alpha=0.2, color="navy", lw=lw) plt.legend(loc="best") plt.show()

通过上述代码绘制的学习曲线，我们可以直观地判断模型的状态。如果训练分数和交叉验证分数都较低，且两者之间的差距较小，那么模型可能存在欠拟合问题，这意味着模型过于简单，无法捕捉数据中的复杂模式。相反，如果训练分数很高，但交叉验证分数较低，且两者之间的差距较大，则模型可能出现了过拟合，即模型对训练数据过度学习，泛化能力较差。

2.2 正则化方法

正则化方法可以通过对模型参数进行约束，防止模型过拟合。常见的正则化方法有 L1 正则化和 L2 正则化。

from sklearn.linear_model import Lasso, Ridge import numpy as np import matplotlib.pyplot as plt # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) # L1 正则化 lasso = Lasso(alpha=0.1) lasso.fit(X, y) print("Lasso coefficients:", lasso.coef_) # L2 正则化 ridge = Ridge(alpha=0.1) ridge.fit(X, y) print("Ridge coefficients:", ridge.coef_) # 绘制不同正则化强度下的系数变化 alphas = np.logspace(-4, 2, 20) lasso_coefs = [] ridge_coefs = [] for alpha in alphas: lasso = Lasso(alpha=alpha) lasso.fit(X, y) lasso_coefs.append(lasso.coef_) ridge = Ridge(alpha=alpha) ridge.fit(X, y) ridge_coefs.append(ridge.coef_) lasso_coefs = np.array(lasso_coefs) ridge_coefs = np.array(ridge_coefs) plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) for i in range(lasso_coefs.shape[1]): plt.plot(alphas, lasso_coefs[:, i], label=f'Feature {i+1}') plt.xscale('log') plt.xlabel('Alpha (Regularization strength)') plt.ylabel('Coefficients') plt.title('Lasso Regularization') plt.legend() plt.subplot(1, 2, 2) for i in range(ridge_coefs.shape[1]): plt.plot(alphas, ridge_coefs[:, i], label=f'Feature {i+1}') plt.xscale('log') plt.xlabel('Alpha (Regularization strength)') plt.ylabel('Coefficients') plt.title('Ridge Regularization') plt.legend() plt.tight_layout() plt.show()

L1 正则化会使模型的部分参数变为零，从而实现特征选择的效果。在一些特征数量较多，但其中部分特征对模型贡献不大的场景下，L1 正则化可以帮助我们筛选出重要的特征。L2 正则化则会使模型的参数值变小，但不会使其变为零。它可以使模型的参数分布更加平滑，减少模型对个别特征的过度依赖，从而提高模型的泛化能力。

2.3 特征选择和特征工程

特征选择和特征工程可以减少模型的复杂度，提高模型的性能。例如，使用相关性分析选择重要的特征，使用主成分分析（PCA）进行特征降维。

import pandas as pd import numpy as np from sklearn.decomposition import PCA import matplotlib.pyplot as plt # 生成示例数据 data = pd.DataFrame(np.random.rand(100, 6), columns=['feature1', 'feature2', 'feature3', 'feature4', 'feature5', 'target']) # 相关性分析 correlation_matrix = data.corr() target_correlation = correlation_matrix['target'].drop('target') selected_features = target_correlation[abs(target_correlation) > 0.2].index print("Selected features by correlation analysis:", selected_features) # 绘制相关性矩阵热力图 plt.figure(figsize=(8, 6)) plt.imshow(correlation_matrix, cmap='coolwarm', interpolation='nearest') plt.colorbar() plt.xticks(range(len(correlation_matrix.columns)), correlation_matrix.columns, rotation=45) plt.yticks(range(len(correlation_matrix.columns)), correlation_matrix.columns) plt.title('Correlation Matrix Heatmap') plt.show() # 主成分分析（PCA） X = data.drop('target', axis=1).values pca = PCA(n_components=2) X_pca = pca.fit_transform(X) print("Shape of original data:", X.shape) print("Shape of data after PCA:", X_pca.shape) # 绘制 PCA 降维后的数据分布 plt.figure(figsize=(8, 6)) plt.scatter(X_pca[:, 0], X_pca[:, 1], c=data['target'], cmap='viridis') plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('PCA of Data') plt.colorbar(label='Target') plt.show()

相关性分析可以帮助我们找出与目标变量相关性较高的特征，从而减少无关特征对模型的干扰。主成分分析（PCA）是一种常用的无监督特征降维方法，它可以将高维数据转换为低维数据，同时保留数据的主要信息。

3. 模型融合与集成 3.1 模型融合的方法 Bagging（自助聚合）

Bagging 的核心思想是通过自助采样（有放回抽样）从原始数据集中生成多个子集，然后在每个子集上训练一个基模型，最后将这些基模型的预测结果进行综合（如分类任务中的投票，回归任务中的平均）。Bagging 可以降低模型的方差，提高模型的稳定性。

from sklearn.ensemble import BaggingClassifier from sklearn.tree import DecisionTreeClassifier import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建基模型 base_model = DecisionTreeClassifier() # 创建 Bagging 分类器 bagging_model = BaggingClassifier(base_model, n_estimators=10) bagging_model.fit(X_train, y_train) # 预测并评估 y_pred = bagging_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"Bagging model accuracy: {accuracy}") Boosting

Boosting 是一种迭代的方法，它在每一轮训练中都会关注前一轮训练中被错误分类的样本，通过调整样本的权重，使得后续的基模型更加关注这些难分类的样本。最后将所有基模型的预测结果进行加权组合。常见的 Boosting 算法有 AdaBoost、Gradient Boosting 等。Boosting 可以降低模型的偏差，提高模型的准确性。

from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建基模型 base_model = DecisionTreeClassifier(max_depth=1) # 创建 AdaBoost 分类器 adaboost_model = AdaBoostClassifier(base_model, n_estimators=10) adaboost_model.fit(X_train, y_train) # 预测并评估 y_pred = adaboost_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"AdaBoost model accuracy: {accuracy}") Stacking（堆叠泛化）

Stacking 是一种更复杂的模型融合方法，它将多个不同的基模型的预测结果作为新的特征，然后在这些新特征上训练一个元模型，最终由元模型进行预测。Stacking 可以充分利用不同基模型的优势，提高模型的性能。

from sklearn.ensemble import RandomForestClassifier from sklearn.linear_model import LogisticRegression from sklearn.model_selection import KFold import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 基模型 base_models = [RandomForestClassifier(), LogisticRegression()] kf = KFold(n_splits=5) blend_train = np.zeros((X_train.shape[0], len(base_models))) for i, model in enumerate(base_models): for train_index, test_index in kf.split(X_train): X_tr, X_te = X_train[train_index], X_train[test_index] y_tr, _ = y_train[train_index], y_train[test_index] model.fit(X_tr, y_tr) blend_train[test_index, i] = model.predict_proba(X_te)[:, 1] # 元模型 meta_model = LogisticRegression() meta_model.fit(blend_train, y_train) # 对测试集进行预测 blend_test = np.zeros((X_test.shape[0], len(base_models))) for i, model in enumerate(base_models): blend_test[:, i] = model.predict_proba(X_test)[:, 1] # 元模型进行最终预测 y_pred = meta_model.predict(blend_test) accuracy = accuracy_score(y_test, y_pred) print(f"Stacking model accuracy: {accuracy}") 3.2 常见的集成学习算法 随机森林（Random Forest）

随机森林是基于 Bagging 思想的集成学习算法，它以决策树为基模型。在构建每棵决策树时，不仅会进行自助采样，还会随机选择部分特征进行分裂，从而增加了模型的多样性。随机森林具有较好的泛化能力，对异常值和噪声不敏感，且可以处理高维数据。

from sklearn.ensemble import RandomForestClassifier import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建随机森林分类器 rf_model = RandomForestClassifier(n_estimators=10) rf_model.fit(X_train, y_train) # 预测并评估 y_pred = rf_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"Random Forest model accuracy: {accuracy}") AdaBoost

AdaBoost 通过调整样本的权重，使得后续的基模型更加关注前一轮被错误分类的样本。它会为每个基模型分配一个权重，最终的预测结果是所有基模型预测结果的加权组合。AdaBoost 可以自适应地调整模型的复杂度，提高模型的准确性。

from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建基模型 base_model = DecisionTreeClassifier(max_depth=1) # 创建 AdaBoost 分类器 adaboost_model = AdaBoostClassifier(base_model, n_estimators=10) adaboost_model.fit(X_train, y_train) # 预测并评估 y_pred = adaboost_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"AdaBoost model accuracy: {accuracy}") Gradient Boosting

Gradient Boosting 是一种迭代的决策树集成方法，它通过拟合前一轮模型的残差来训练新的基模型。每一轮训练都会使模型朝着减少损失函数的方向前进，最终将所有基模型的预测结果相加得到最终的预测值。Gradient Boosting 可以处理各种类型的数据，并且在很多机器学习竞赛中都取得了优异的成绩。

from sklearn.ensemble import GradientBoostingClassifier import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建 Gradient Boosting 分类器 gb_model = GradientBoostingClassifier(n_estimators=10) gb_model.fit(X_train, y_train) # 预测并评估 y_pred = gb_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"Gradient Boosting model accuracy: {accuracy}") 3.3 模型融合的效果评估和参数调优

模型融合的效果评估可以使用前面提到的各种评估指标，如分类任务中的准确率、召回率、F1 值等，回归任务中的均方误差、决定系数等。在进行参数调优时，可以使用网格搜索、随机搜索或贝叶斯优化等方法，对基模型和元模型的超参数进行调整，以找到最优的参数组合，提高模型融合的性能。

以 Stacking 模型为例进行参数调优（使用网格搜索） from sklearn.ensemble import RandomForestClassifier from sklearn.linear_model import LogisticRegression from sklearn.model_selection import KFold, GridSearchCV import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X = np.random.rand(100, 5) y = np.random.randint(0, 2, 100) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 基模型 base_models = [RandomForestClassifier(), LogisticRegression()] kf = KFold(n_splits=5) blend_train = np.zeros((X_train.shape[0], len(base_models))) for i, model in enumerate(base_models): for train_index, test_index in kf.split(X_train): X_tr, X_te = X_train[train_index], X_train[test_index] y_tr, _ = y_train[train_index], y_train[test_index] model.fit(X_tr, y_tr) blend_train[test_index, i] = model.predict_proba(X_te)[:, 1] # 元模型 meta_model = LogisticRegression() # 定义元模型的参数网格 param_grid = {'C': [0.1, 1, 10]} # 创建网格搜索对象 grid_search = GridSearchCV(meta_model, param_grid, cv=5) grid_search.fit(blend_train, y_train) # 输出最佳参数和最佳得分 print(f"Best parameters for meta - model: {grid_search.best_params_}") print(f"Best score for meta - model: {grid_search.best_score_}") # 使用最佳参数的元模型进行预测 best_meta_model = grid_search.best_estimator_ # 对测试集进行预测 blend_test = np.zeros((X_test.shape[0], len(base_models))) for i, model in enumerate(base_models): blend_test[:, i] = model.predict_proba(X_test)[:, 1] y_pred = best_meta_model.predict(blend_test) accuracy = accuracy_score(y_test, y_pred) print(f"Stacking model accuracy after tuning: {accuracy}")

通过上述的参数调优过程，我们可以尝试不同的超参数组合，找到能使模型融合效果最优的参数，从而进一步提升模型的性能。不同的模型融合方法和集成学习算法在不同的数据集和任务上可能会有不同的表现，需要根据具体情况进行选择和调优。