參照：
gird search.
優點是實現簡單暴力，如果能全部遍歷的話，結果比較可靠。
缺點費時間。
random search
bengio在random search for hyper-parameter optimization中指出，random search比gird search更有效。實際操作的時候，一般也是先用gird search的方法，得到所有候選引數，然後每次從中隨機選擇進行訓練。
bayesian optimization.
貝葉斯調參的python庫，可以上手即用：
jaberg/hyperopt, 比較簡單。
fmfn/bayesianoptimization， 比較複雜，支援並行調參。
機器學習調參方法
網格搜尋交叉驗證 通常是在全量資料上做的，會自動切分成幾折 有時候會注意做分層抽樣去保證資料分布 參考的kaggle kernel early stopping 這個通常需要切分訓練集和驗證集，我們會根據驗證集去確定最佳的輪次，但是除掉迭代輪次以外其他的引數需要通過經驗或者gridsearch敲定。...
隨機森林模型調參方法
列印隨機森林學習器的預設引數配置 1 bootstrap true 2 criterion mse 3 max depth none 4 max features auto 5 max leaf nodes none 6 min impurity decrease 0.0 7 min impurit...
MatchZoo高階 自動調參方法
本人在這裡已經給出了matchzoo的乙個簡單上手，這一次我會給出為模型自動調參的方法。這一次使用的變數，和簡單上手中的變數是一樣的，所以我都是直接複製，並刪掉一些不需要的地方。載入資料 train pack processed preprocessor.fit transform train 其實...