作者：Jakub Czakon, Neptune.ai
翻译：陈之炎
校对：和中华
本文约1500字，建议阅读5分钟。
Python机器学习模型建立起来之后，如何对它的性能进行优化？按照本指南中的三个步骤可以对任意优化库设置自动调优。
在编写完成一个Python脚本之后，便可以用它训练和评估机器学习模型了，现在，问题来了，是否能对它自动调整超参数以提高其性能呢？
自有办法！
在本文中，将展示如何将脚本转换为可以用任何超参数优化库优化的目标函数。
只需要三个步骤，便可实现模型的参数调整。
准备好了？
那就开始吧！
假设main.py 脚本如下所示：
第1步：从代码中解耦出搜索参数提取想要调整的参数，将它们放在脚本顶部的字典中，这样做之后，便可以有效地将搜索参数与代码的其余部分解耦。
第2步：将训练和评估打包为一个函数现在，可以将整个训练和评估逻辑放在 train_evaluate函数的内部。此函数以参数为输入，输出验证分数。
第3步:运行超参数调整脚本快要实现了。
现在，利用train_evaluate函数作为选定的黑盒优化库的目标。
本例采用Scikit Optimize实现优化，我在另一篇文章中，对此作了详细描述，同时，你也可以使用其它超参数优化库。
Scikit Optimize
总之：
定义搜索空间，创建目标函数以对它最小化，通过forest_minimize函数运行优化。在这个例子中，我随机选定了10个参数集，尝试了100种不同的配置下的调优。
这就是全部过程。
result对象包含有关最佳分数和对应参数的信息。
注：如果想在训练结束后进行可视化，并保存诊断图表，那么可以向Neptune中添加一个回调函数和一个记录每次超参数搜索的函数。只需调用库中 helper function from neptune-contrib。
helper function from neptune-contrib
现在，运行参数扫描时，可以看到以下内容：
查看代码、图表和结果中的skopt hyperparameter sweep experiment。
skopt hyperparameter sweep experiment
结语在本文中，我们学习了如何通过3个步骤对 Python脚本的超参数进行优化。
希望有了这些知识，你能更便捷地建立更优的机器学习模型。
相关文献：
超参数优化实战
如何自动实现超参数优化
用Google Colab的Hyperas实现 Keras超参数调优
原文标题：
How to Do Hyperparameter Tuning on Any Python Script in 3 Easy Steps
原文链接：
编辑：王菁
校对：林亦霖
译者简介
陈之炎，北京交通大学通信与控制工程专业毕业，获得工学硕士学位，历任长城计算机软件与系统公司工程师，大唐微电子公司工程师，现任北京吾译超群科技有限公司技术支持。目前从事智能化翻译教学系统的运营和维护，在人工智能深度学习和自然语言处理（NLP）方面积累有一定的经验。业余时间喜爱翻译创作，翻译作品主要有：IEC-ISO 7816、伊拉克石油工程项目、新财税主义宣言等等，其中中译英作品“新财税主义宣言”在GLOBAL TIMES正式发表。能够利用业余时间加入到THU 数据派平台的翻译志愿者小组，希望能和大家一起交流分享，共同进步。
—完—
想要获得更多数据科学领域相关动态，诚邀关注清华-青岛数据科学研究院官方微信公众平台“ 数据派THU ”。
