介绍
在本教程中，我们将讨论一种非常强大的优化（或自动化）算法，即网格搜索算法。它最常用于机器学习模型中的超参数调整。我们将学习如何使用Python来实现它，以及如何将其应用到实际应用程序中，以了解它如何帮助我们为模型选择最佳参数并提高其准确性。
先决条件
要遵循本教程，您应该对Python或其他某种编程语言有基本的了解。您最好也具有机器学习的基本知识，但这不是必需的。除此之外，本文是初学者友好的，任何人都可以关注。
安装
要完成本教程，您需要在系统中安装以下库/框架：
- Python 3
- NumPy
- Pandas
- Keras
- Scikit-Learn
它们的安装都非常简单-您可以单击它们各自的网站，以获取各自的详细安装说明。通常，可以使用pip安装软件包：
$ pip install numpy pandas tensorflow keras scikit-learn
如果遇到任何问题，请参考每个软件包的官方文档。
什么是网格搜索？
网格搜索本质上是一种优化算法，可让你从提供的参数选项列表中选择最适合优化问题的参数，从而使“试验和错误”方法自动化。尽管它可以应用于许多优化问题，但是由于其在机器学习中的使用而获得最广为人知的参数，该参数可以使模型获得最佳精度。
假设您的模型采用以下三个参数作为输入：
- 隐藏层数[2，4]
- 每层中的神经元数量[5，10]
- 神经元数[10，50]
如果对于每个参数输入，我们希望尝试两个选项（如上面的方括号中所述），则总计总共2 ^3 = 8个不同的组合（例如，一个可能的组合为[2,5,10]）。手动执行此操作会很麻烦。
现在，假设我们有10个不同的输入参数，并且想为每个参数尝试5个可能的值。每当我们希望更改参数值，重新运行代码并跟踪所有参数组合的结果时，都需要从我们这边进行手动输入。网格搜索可自动执行该过程，因为它仅获取每个参数的可能值并运行代码以尝试所有可能的组合，输出每个组合的结果，并输出可提供最佳准确性的组合。
网格搜索实施
让我们将网格搜索应用于实际应用程序。讨论机器学习和数据预处理这一部分不在本教程的讨论范围之内，因此我们只需要运行其代码并深入讨论Grid Search的引入部分即可。
我们将使用Pima印度糖尿病数据集，该数据集包含有关患者是否基于不同属性（例如血糖，葡萄糖浓度，血压等）的糖尿病信息。使用Pandas read_csv()方法，您可以直接从在线资源中导入数据集。
以下脚本导入所需的库：
from sklearn.model_selection import GridSearchCV, KFold from keras.models import Sequential from keras.layers import Dense, Dropout from keras.wrappers.scikit_learn import KerasClassifier from keras.optimizers import Adam import sys import pandas as pd import numpy as np
以下脚本导入数据集并设置数据集的列标题。
df = pd.read_csv(data_path, names=columns)
让我们看一下数据集的前5行：
df.head()
输出：
如你所见，这5行都是用来描述每一列的标签，因此它们对我们没有用。我们将从删除这些非数据行开始，然后将所有NaN值替换为0：
for col in columns: df[col].replace(0, np.NaN, inplace=True) df.dropna(inplace=True) # Drop all rows with missing values
以下脚本将数据分为变量和标签集，并将标准化应用于数据集：
# Transform and display the training data X_standardized = scaler.transform(X)
以下方法创建了我们简单的深度学习模型：
def create_model(learn_rate, dropout_rate): # Create model model = Sequential() model.add(Dense(8, input_dim=8, kernel_initializer='normal', activation='relu')) model.add(Dropout(dropout_rate)) model.add(Dense(4, input_dim=8, kernel_initializer='normal', activation='relu')) model.add(Dropout(dropout_rate)) model.add(Dense(1, activation='sigmoid')) # Compile the model adam = Adam(lr=learn_rate) model.compile(loss='binary_crossentropy', optimizer=adam, metrics=['accuracy']) return model
这是加载数据集，对其进行预处理并创建您的机器学习模型所需的所有代码。因为我们只对看到Grid Search的功能感兴趣，所以我没有进行训练/测试拆分，我们将模型拟合到整个数据集。
在下一节中，我们将开始了解Grid Search如何通过优化参数使生活变得更轻松。
在没有网格搜索的情况下训练模型
在下面的代码中，我们将随机决定或根据直觉决定的参数值创建模型，并查看模型的性能：
model = create_model(learn_rate, dropout_rate) 输出：Epoch 1/1 130/130 [==============================] - 0s 2ms/step - loss: 0.6934 - accuracy: 0.6000
正如看到的，我们得到的精度是60.00%。这是相当低的。
使用网格搜索优化超参数
如果不使用Grid Search，则可以直接fit()在上面创建的模型上调用方法。但是，要使用网格搜索，我们需要将一些参数传递给create_model()函数。此外，我们需要使用不同的选项声明我们的网格，我们希望为每个参数尝试这些选项。让我们分部分进行。
首先，我们修改create_model()函数以接受调用函数的参数：
# Create the model model = KerasClassifier(build_fn=create_model, verbose=1)
现在，我们准备实现网格搜索算法并在其上拟合数据集：
# Build and fit the GridSearchCV grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=KFold(random_state=seed), verbose=10)
输出：
Best: 0.7959183612648322, using {'batch_size': 10, 'dropout_rate': 0.2, 'epochs': 10, 'learn_rate': 0.02}
在输出中，我们可以看到它为我们提供了最佳精度的参数组合。
可以肯定地说，网格搜索在Python中非常容易实现，并且在人工方面节省了很多时间。您可以列出所有您想要调整的参数，声明要测试的值，运行您的代码，而不必理会。您无需再输入任何信息。找到最佳参数组合后，您只需将其用于最终模型即可。
结论
总结起来，我们了解了什么是Grid Search，它如何帮助我们优化模型以及它带来的诸如自动化的好处。此外，我们学习了如何使用Python语言在几行代码中实现它。为了了解其有效性，我们还训练了带有和不带有Grid Search的机器学习模型，使用Grid Search的准确性提高了19％。
