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。
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。
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。
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。
祝训练愉快！
