维基百科上说，“Hyperparameter optimization或tuning是为学习算法选择一组最优的hyperparameters的问题”。
ML工作流中最困难的部分之一是为模型找到最好的超参数。ML模型的性能与超参数直接相关。超参数调优的越好，得到的模型就越好。调优超参数可能是非常乏味和困难的，更像是一门艺术而不是科学。
超参数是在建立模型时用于控制算法行为的参数。这些参数不能从常规训练过程中获得。在对模型进行训练之前，需要对它们进行赋值。
超参数的简单列表
传统的手工调参
网格搜索
随机搜索
贝叶斯搜索
在传统的调参过程中，我们通过训练算法手动检查随机超参数集，并选择符合我们目标的最佳参数集。
我们看看代码：
缺点：
没办法确保得到最佳的参数组合。
这是一个不断试错的过程，所以，非常的耗时。
网格搜索是一种基本的超参数调优技术。它类似于手动调优，为网格中指定的所有给定超参数值的每个排列构建模型，评估并选择最佳模型。考虑上面的例子，其中两个超参数 k_value =[2,3,4,5,6,7,8,9,10] & algorithm =[ auto ， ball_tree ， kd_tree ，brute ]，在这个例子中，它总共构建了9*4 = 36不同的模型。
让我们来了解一下sklearn的<code>GridSearchCV</code>是如何工作的：
由于它尝试了超参数的每一个组合，并根据交叉验证得分选择了最佳组合，这使得GridsearchCV非常慢。
使用随机搜索代替网格搜索的动机是，在许多情况下，所有的超参数可能不是同等重要的。随机搜索从超参数空间中随机选择参数组合，参数由n_iter给定的固定迭代次数的情况下选择。实验证明，随机搜索的结果优于网格搜索。
让我们来了解sklearn的<code>RandomizedSearchCV</code>是如何工作的：
随机搜索的问题是它不能保证给出最好的参数组合。
贝叶斯优化属于一类优化算法，称为基于序列模型的优化(SMBO)算法。这些算法使用先前对损失 f 的观察结果，以确定下一个(最优)点来抽样 f。该算法大致可以概括如下。
使用先前评估的点 X 1：n，计算损失 f 的后验期望。
在新的点 X 的抽样损失 f，从而最大化f的期望的某些方法。该方法指定 f 域的哪些区域最适于抽样。
重复这些步骤，直到满足某些收敛准则。
让我们用scikit- optimization的<code>BayesSearchCV</code>来理解。
Installation: pip install scikit-optimize
另一个实现贝叶斯搜索的类似库是<code>bayesian-optimization</code>。
Installation: pip install bayesian-optimization
要在2维或3维的搜索空间中得到一个好的代理曲面需要十几个样本，增加搜索空间的维数需要更多的样本。
在确定参数的最佳组合的保证和计算时间之间总是存在权衡。如果超参数空间(超参数个数)非常大，则使用随机搜索找到超参数的潜在组合，然后在该局部使用网格搜索(超参数的潜在组合)选择最优特征。