HyperparameterHunter 终极指南：轻松实现机器学习超参数优化 🚀

【免费下载链接】hyperparameter_hunter Easy hyperparameter optimization and automatic result saving across machine learning algorithms and libraries 项目地址: https://gitcode.com/gh_mirrors/hy/hyperparameter_hunter

想要在机器学习项目中快速找到最佳超参数组合吗？HyperparameterHunter 是一个强大的超参数优化工具，它能自动记录所有实验数据，让你的机器学习模型表现更上一层楼！😊

什么是 HyperparameterHunter？

HyperparameterHunter 是一个智能的超参数优化工具，它通过自动保存和学习实验数据，实现长期、持续的优化过程。这个工具能记住你所有的测试结果，让每一次实验都发挥最大价值。

为什么选择 HyperparameterHunter？

🎯 真正的智能优化

大多数超参数优化库都是从零开始搜索，但 HyperparameterHunter 不同！它会利用你之前运行的所有实验和优化轮次，在已有基础上进行更高效的搜索。

📊 自动数据记录

无需手动记录实验结果，HyperparameterHunter 会自动保存所有重要数据，包括模型参数、评估指标和预测结果。

🔄 无缝集成

继续使用你熟悉和喜爱的机器学习库，如 Keras、scikit-learn、XGBoost、LightGBM、CatBoost 等，无需改变现有工作流程。

快速入门指南

1. 环境设置

首先设置环境来组织实验和优化结果：

from hyperparameter_hunter import Environment, CVExperiment
import pandas as pd
from sklearn.datasets import load_breast_cancer

# 准备数据
data = load_breast_cancer()
df = pd.DataFrame(data=data.data, columns=data.feature_names)
df['target'] = data.target

# 创建环境
env = Environment(
    train_dataset=df,
    results_path='HyperparameterHunterAssets',
    metrics=['roc_auc_score'],
    cv_type='StratifiedKFold',
    cv_params=dict(n_splits=5, shuffle=True, random_state=32)

2. 运行单个实验

使用你喜欢的机器学习库进行实验：

# 使用 XGBoost
experiment = CVExperiment(
    model_initializer=XGBClassifier,
    model_init_params=dict(
        objective='reg:linear',
        max_depth=3,
        n_estimators=100
)

就是这么简单！无需编写繁琐的交叉验证循环、预测和评分代码。

3. 超参数优化

当需要进行超参数优化时，只需定义搜索空间：

from hyperparameter_hunter import Real, Integer, Categorical
from hyperparameter_hunter import optimization as opt

optimizer = opt.BayesianOptPro(iterations=10)
optimizer.forge_experiment(
    model_initializer=XGBClassifier,
    model_init_params=dict(
        max_depth=Integer(2, 10),
        learning_rate=Real(0.0001, 0.5),
        n_estimators=200
    )
)
optimizer.go()

核心特性

✅ 自动记录实验结果

每次实验都会被完整记录，包括超参数、评估指标和预测结果。

✅ 智能超参数优化

优化过程会自动利用过去的实验结果，实现真正意义上的智能搜索。

✅ 消除样板代码

不再需要手动编写交叉验证、预测和评分的重复代码。

✅ 持续学习

HyperparameterHunter 会随着时间的推移变得越来越智能，因为它积累了更多的实验数据。

支持的机器学习库

• Keras - 深度学习框架
• scikit-learn - 经典机器学习算法
• XGBoost - 梯度提升树
• LightGBM - 轻量级梯度提升机
• CatBoost - 类别特征处理的梯度提升
• RGF - 正则化贪婪森林

安装方法

使用 pip 快速安装：

pip install hyperparameter-hunter

项目结构

HyperparameterHunter 会生成清晰的文件结构：

HyperparameterHunterAssets/
├── Experiments/
│   ├── Descriptions/
│   ├── Predictions/
│   └── ScriptBackups/
├── Leaderboards/
└── TestedKeys/

实用技巧

💡 尽早开始使用

不要等到需要优化时才使用 HyperparameterHunter。从项目一开始就使用它来运行基准实验，这样当你真正需要优化时，它已经积累了丰富的学习材料。

💡 保持一致性

在使用 Keras 时，保持激活函数的使用方式一致，要么使用单独的 Activation 层，要么在 Dense 层中提供 activation 参数。

结语

HyperparameterHunter 不仅仅是一个优化工具，更是你的机器学习助手！🎉 通过自动记录和学习所有实验数据，它能帮助你实现更高效的超参数搜索，让你的模型性能达到新的高度。

开始使用 HyperparameterHunter，让你的机器学习实验不再浪费！✨

【免费下载链接】hyperparameter_hunter Easy hyperparameter optimization and automatic result saving across machine learning algorithms and libraries 项目地址: https://gitcode.com/gh_mirrors/hy/hyperparameter_hunter