我正在使用hyperopt来调整我的ML模型,但在使用qloguniform作为搜索空间时遇到了问题。我给出了官方维基的例子,并更改了搜索空间。
import pickle
import time
#utf8
import pandas as pd
import numpy as np
from hyperopt import fmin, tpe, hp, STATUS_OK, Trials
def objective(x):
return {
'loss': x ** 2,
'status': STATUS_OK,
# -- store other results like this
'eval_time': time.time(),
'other_stuff': {'type': None, 'value': [0, 1, 2]},
# -- attachments are handled differently
'attachments':
{'time_module': pickle.dumps(time.time)}
}
trials = Trials()
best = fmin(objective,
space=hp.qloguniform('x', np.log(0.001), np.log(0.1), np.log(0.001)),
algo=tpe.suggest,
max_evals=100,
trials=trials)
pd.DataFrame(trials.trials)
但是得到以下错误。
ValueError:('negative arg to lognormal_cdf',array([3.445387764,-3.45387764、-3.45387764、-3.4538764、-3.45287764,-3.45387764、-3.45387764、-3.4538764、-3.45287764、-4.45387764,-3.45387764、-3.45387764、-3.4538764、-3.45287764、-4.45387764,-3.45387764、-3.45387764、-3.4538764、-3.45287764、-4.45387764,-3.45387764,-3.45387764,-3.4538764,-345387764](
我尝试过不进行日志转换,如下所示,但输出值是日志转换(例如1.017,1.0008,1.02456(,这是错误的。它与文件一致。
hp.qloguniform('x', 0.001,0.1, 0.001)
感谢
问题似乎出现在hp.qloguniform
、q
以及tpe.suggest
如何使用它们的最后一个参数中。
-
首先让我们讨论一下
q
。根据文件:hp.qloguniform(标签,低,高,q(
round(exp(uniform(low, high)) / q) * q
适用于目标所针对的离散变量"平滑",并随着值的大小而变得更平滑,但是应在上方和下方都有边界。
q
这里是一个"quantizer"
,它将把定义空间的输出限制为q
的倍数。例如,以下是qloguniform
内部发生的情况:from hyperopt import pyll, hp n_samples = 10 space = hp.loguniform('x', np.log(0.001), np.log(0.1)) evaluated = [pyll.stochastic.sample(space) for _ in range(n_samples)] # Output: [0.04645754, 0.0083128 , 0.04931957, 0.09468335, 0.00660693, # 0.00282584, 0.01877195, 0.02958924, 0.00568617, 0.00102252] q = 0.005 qevaluated = np.round(np.array(evaluated)/q) * q # Output: [0.045, 0.01 , 0.05 , 0.095, 0.005, 0.005, 0.02 , 0.03 , 0.005, 0.])
此处比较
evaluated
和qevaluated
。qevaluated
是q
的倍数,或者说它是以q
的"区间"(或步长(量化的。您可以尝试更改q
值以了解更多信息。您在问题中定义的
q
与生成的样本范围(0.001 to 0.1
(相比非常大:np.log(0.001) # Output: -6.907755278982137
因此,这里所有值的输出都将为0。
q = np.log(0.001) qevaluated = np.round(np.array(evaluated)/q) * q # Output: [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]
-
现在来看
tpe.suggest
(本文的第4节(:TPE使用不同估计器的树来优化搜索过程,在此过程中,它根据空间的生成器来划分搜索空间(在本例中为qloguniform
(。有关详细信息,请参阅此处的代码。为了将空间划分为多个部分,它将使用q
。但是,由于空间中的所有点都将为0.0(如上所述(,因此负
q
会为lognormal_cdf
生成无效边界,这是不可接受的,因此会产生错误。
长话短说,你对q
的使用不恰当。正如你在评论中所说:-
此外,根据
round(exp(uniform(low, high)) / q) * q
,不应在对数均匀/对数正态随机采样中使用q
值
因此您应该只提供对所需空间有效的q
值。因此,在这里,由于您希望生成0.001
和0.1
之间的值,因此q
的值应该与它们相当。
我同意您在qloguniform
中提供np.log(0.001)
和np.log(0.1)
,但这是为了使输出值在0.001和0.1之间。所以不要在q
中使用np.log
。应根据生成的值使用q
。