python训练营打卡day11

@浙大疏锦行

知识点：

1.网格搜索

2.随机搜索

3.贝叶斯优化

4.time库的记时模块

5.代理模型的思想

6.给ai提问

1. 概述

核心知识点回顾

1. 模型组成= 算法 + 实例化设置的外参（超参数）+ 训练得到的内参

2. 调参原则：只要调参就需要考2次

   • 传统方式：划分训练集、验证集、测试集
   • 现代方式：很多调参函数自带交叉验证（可省去验证集）

学习目标

本节课将学习三种主流调参方法：

• ✅网格搜索（GridSearchCV）：穷举式搜索
• ✅随机搜索（RandomizedSearchCV）：随机采样---只是一种思想
• ✅贝叶斯优化（BayesSearchCV）：智能优化

2. 数据预处理

运行之前学习过的数据预处理代码，包括：

• 导入必要的库
• 读取数据
• 特征工程（标签编码、独热编码）
• 缺失值处理

import pandas as pd import pandas as pd #用于数据处理和分析，可处理表格数据。 import numpy as np #用于数值计算，提供了高效的数组操作。 import matplotlib.pyplot as plt #用于绘制各种类型的图表 import seaborn as sns #基于matplotlib的高级绘图库，能绘制更美观的统计图形。 import warnings warnings.filterwarnings('ignore') #忽略警告信息，保持输出清洁。 # 设置中文字体（解决中文显示问题） plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统常用黑体字体 plt.rcParams['axes.unicode_minus'] = False # 正常显示负号 data = pd.read_csv(r'D:\P\yjs\PY\data.csv') #读取数据 # 先筛选字符串变量 discrete_features = data.select_dtypes(include=['object']).columns.tolist() # Home Ownership 标签编码 home_ownership_mapping = { 'Own Home': 1, 'Rent': 2, 'Have Mortgage': 3, 'Home Mortgage': 4 } data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping) # Years in current job 标签编码 years_in_job_mapping = { '< 1 year': 1, '1 year': 2, '2 years': 3, '3 years': 4, '4 years': 5, '5 years': 6, '6 years': 7, '7 years': 8, '8 years': 9, '9 years': 10, '10+ years': 11 } data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping) # Purpose 独热编码，记得需要将bool类型转换为数值 data = pd.get_dummies(data, columns=['Purpose']) data2 = pd.read_csv(r'D:\P\yjs\PY\data.csv') # 重新读取数据，用来做列名对比 list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名 for i in data.columns: if i not in data2.columns: list_final.append(i) # 这里打印出来的就是独热编码后的特征名 for i in list_final: data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名 # Term 0 - 1 映射 term_mapping = { 'Short Term': 0, 'Long Term': 1 } data['Term'] = data['Term'].map(term_mapping) data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列 continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist() #把筛选出来的列名转换成列表 # 连续特征用中位数补全 for feature in continuous_features: mode_value = data[feature].mode()[0] #获取该列的众数。 data[feature].fillna(mode_value, inplace=True) #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。

3. 数据集划分

3.1 方案一：三分法（训练集 + 验证集 + 测试集）

当不使用交叉验证时，需要划分出验证集用于调参。

# 划分训练集、验证集和测试集，因为需要考2次 # 这里演示一下如何2次划分数据集，因为这个函数只能划分一次，所以需要调用两次才能划分出训练集、验证集和测试集。 from sklearn.model_selection import train_test_split X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除 y = data['Credit Default'] # 标签 # 按照8:1:1划分训练集、验证集和测试集 X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%临时集 X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42) # 50%验证集，50%测试集

# X_train, y_train (80%) # X_val, y_val (10%) # X_test, y_test (10%) print("Data shapes:") print("X_train:", X_train.shape) print("y_train:", y_train.shape) print("X_val:", X_val.shape) print("y_val:", y_val.shape) print("X_test:", X_test.shape) print("y_test:", y_test.shape)

3.2 方案二：二分法（训练集 + 测试集）⭐ 推荐

由于调参函数大多自带交叉验证，实际使用中只需要划分训练集和测试集。

# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多 # 所以这里我们还是只划分一次数据集 from sklearn.model_selection import train_test_split X = data.drop(['Credit Default'], axis=1) # 特征，axis=1表示按列删除 y = data['Credit Default'] # 标签 # 按照8:2划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集

3.3 导入评估工具

from sklearn.ensemble import RandomForestClassifier #随机森林分类器 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标 from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵 import warnings #用于忽略警告信息 warnings.filterwarnings("ignore") # 忽略所有警告信息

4. 调参方法介绍

4.1 三种主流调参方法对比

4.2 基线模型（Baseline）

在调参前，先建立基线模型：

• 使用默认参数训练模型
• 记录性能指标作为对比基准
• 后续调参效果以此为参照

4.3 详细说明

1️⃣ 网格搜索 (GridSearchCV)

• 需要定义参数的固定列表（param_grid）
• 尝试所有可能的参数组合
• ⚠️ 计算成本高，参数多时组合呈指数级增长

2️⃣ 随机搜索 (RandomizedSearchCV)

• 定义参数的分布范围
• 随机采样指定次数（如 50-100 次）
• ✅ 对于给定计算预算，通常比网格搜索更有效

3️⃣ 贝叶斯优化 (BayesSearchCV)

• 定义参数的搜索空间
• 根据先验结果建立概率模型（高斯过程）
• 智能选择下一个最有潜力的参数组合
• ✅ 通常用更少迭代达到更好效果

4.4 选择建议

计算资源充足 → 网格搜索 计算资源有限 → 贝叶斯优化 介于中间 → 随机搜索

5. 实战：随机森林调参

使用三种方法对随机森林进行超参数优化，并对比效果。

5.1 基线模型（默认参数）

5.2 网格搜索优化

网格搜索是 scikit-learn 内置功能，无需额外安装。

网格搜索会尝试所有参数组合，计算量较大但能找到局部最优解

# --- 2. 网格搜索优化随机森林 --- print("\n--- 2. 网格搜索优化随机森林 (训练集 -> 测试集) ---") from sklearn.model_selection import GridSearchCV # 定义要搜索的参数网格 param_grid = { 'n_estimators': [50, 100, 200], 'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10], 'min_samples_leaf': [1, 2, 4] } # 创建网格搜索对象 grid_search = GridSearchCV(estimator=RandomForestClassifier(random_state=42), # 随机森林分类器 param_grid=param_grid, # 参数网格 cv=5, # 5折交叉验证 n_jobs=-1, # 使用所有可用的CPU核心进行并行计算 scoring='accuracy') # 使用准确率作为评分标准 start_time = time.time() # 在训练集上进行网格搜索 grid_search.fit(X_train, y_train) # 在训练集上训练，模型实例化和训练的方法都被封装在这个网格搜索对象里了 end_time = time.time() print(f"网格搜索耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", grid_search.best_params_) #best_params_属性返回最佳参数组合 # 使用最佳参数的模型进行预测 best_model = grid_search.best_estimator_ # 获取最佳模型 best_pred = best_model.predict(X_test) # 在测试集上进行预测 print("\n网格搜索优化后的随机森林 在测试集上的分类报告：") print(classification_report(y_test, best_pred)) print("网格搜索优化后的随机森林 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred))

5.3 随机搜索优化

随机搜索在参数空间中随机采样，通常比网格搜索更高效。

一般用随机搜索的很少，原因是如果你一般能跑30min，那5h你就认了；如果本来需要跑10000h，那么优化到3000h你也扛不住

在复杂项目上随机优化比贝叶斯差很多，再简单场景比贝叶斯效率高，但是没必要

# --- 2. 随机搜索优化随机森林 --- print("\n--- 2. 随机搜索优化随机森林 (训练集 -> 测试集) ---") from sklearn.model_selection import RandomizedSearchCV from scipy.stats import randint # 定义参数分布（使用分布而非固定列表） param_distributions = { 'n_estimators': randint(50, 200), # 从50-200之间随机整数 'max_depth': [None, 10, 20, 30], # 也可以用固定列表 'min_samples_split': randint(2, 11), # 从2-10之间随机整数 'min_samples_leaf': randint(1, 5) # 从1-4之间随机整数 } # 创建随机搜索对象 random_search = RandomizedSearchCV( estimator=RandomForestClassifier(random_state=42), param_distributions=param_distributions, n_iter=50, # 随机采样50次（可调整） cv=5, # 5折交叉验证 n_jobs=-1, # 使用所有CPU核心 scoring='accuracy', random_state=42 # 保证结果可复现 ) start_time = time.time() # 在训练集上进行随机搜索 random_search.fit(X_train, y_train) end_time = time.time() print(f"随机搜索耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", random_search.best_params_) # 使用最佳参数的模型进行预测 best_model_random = random_search.best_estimator_ best_pred_random = best_model_random.predict(X_test) print("\n随机搜索优化后的随机森林 在测试集上的分类报告：") print(classification_report(y_test, best_pred_random)) print("随机搜索优化后的随机森林 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred_random))

5.4 贝叶斯优化（skopt）

# pip install scikit-optimize -i https://pypi.tuna.tsinghua.edu.cn/simple # --- 2. 贝叶斯优化随机森林 --- print("\n--- 2. 贝叶斯优化随机森林 (训练集 -> 测试集) ---") from skopt import BayesSearchCV from skopt.space import Integer from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, confusion_matrix import time # 定义要搜索的参数空间 search_space = { 'n_estimators': Integer(50, 200), 'max_depth': Integer(10, 30), 'min_samples_split': Integer(2, 10), 'min_samples_leaf': Integer(1, 4) } # 创建贝叶斯优化搜索对象 bayes_search = BayesSearchCV( estimator=RandomForestClassifier(random_state=42), search_spaces=search_space, n_iter=32, # 迭代次数，可根据需要调整 cv=5, # 5折交叉验证，这个参数是必须的，不能设置为1，否则就是在训练集上做预测了 n_jobs=-1, scoring='accuracy' ) start_time = time.time() # 在训练集上进行贝叶斯优化搜索 bayes_search.fit(X_train, y_train) end_time = time.time() print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", bayes_search.best_params_) # 使用最佳参数的模型进行预测 best_model = bayes_search.best_estimator_ best_pred = best_model.predict(X_test) print("\n贝叶斯优化后的随机森林 在测试集上的分类报告：") print(classification_report(y_test, best_pred)) print("贝叶斯优化后的随机森林 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred))

5.5 贝叶斯优化（bayesian-optimization）⭐ 进阶

方法特点

使用bayesian-optimization库实现，相比 skopt 有以下优势：

✅更灵活的自定义

• 可以自定义目标函数
• 可以选择是否使用交叉验证
• 评估指标可自由修改

✅更好的可视化

• verbose参数可输出详细的迭代过程
• 实时查看优化进度

✅更精细的控制

• init_points：初始随机采样点数
• n_iter：优化迭代次数

# pip install bayesian-optimization -i https://mirrors.aliyun.com/pypi/simple/ # --- 2. 贝叶斯优化随机森林 --- print("\n--- 2. 贝叶斯优化随机森林 (训练集 -> 测试集) ---") from bayes_opt import BayesianOptimization from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score from sklearn.metrics import classification_report, confusion_matrix import time import numpy as np # 假设 X_train, y_train, X_test, y_test 已经定义好 # 定义目标函数，这里使用交叉验证来评估模型性能 def rf_eval(n_estimators, max_depth, min_samples_split, min_samples_leaf): n_estimators = int(n_estimators) max_depth = int(max_depth) min_samples_split = int(min_samples_split) min_samples_leaf = int(min_samples_leaf) model = RandomForestClassifier( n_estimators=n_estimators, max_depth=max_depth, min_samples_split=min_samples_split, min_samples_leaf=min_samples_leaf, random_state=42 ) scores = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy') return np.mean(scores) # 定义要搜索的参数空间 pbounds_rf = { 'n_estimators': (50, 200), 'max_depth': (10, 30), 'min_samples_split': (2, 10), 'min_samples_leaf': (1, 4) } # 创建贝叶斯优化对象，设置 verbose=2 显示详细迭代信息 optimizer_rf = BayesianOptimization( f=rf_eval, # 目标函数 pbounds=pbounds_rf, # 参数空间 random_state=42, # 随机种子 verbose=2 # 显示详细迭代信息 ) start_time = time.time() # 开始贝叶斯优化 optimizer_rf.maximize( init_points=5, # 初始随机采样点数 n_iter=32 # 迭代次数 ) end_time = time.time() print(f"贝叶斯优化耗时: {end_time - start_time:.4f} 秒") print("最佳参数: ", optimizer_rf.max['params']) # 使用最佳参数的模型进行预测 best_params = optimizer_rf.max['params'] best_model = RandomForestClassifier( n_estimators=int(best_params['n_estimators']), max_depth=int(best_params['max_depth']), min_samples_split=int(best_params['min_samples_split']), min_samples_leaf=int(best_params['min_samples_leaf']), random_state=42 ) best_model.fit(X_train, y_train) best_pred = best_model.predict(X_test) print("\n贝叶斯优化后的随机森林 在测试集上的分类报告：") print(classification_report(y_test, best_pred)) print("贝叶斯优化后的随机森林 在测试集上的混淆矩阵：") print(confusion_matrix(y_test, best_pred))

6. 总结与对比

6.1 性能对比表

基于实际运行结果的完整对比：

注释：

• 精确率、召回率、F1-Score 均为正类(类1)的指标
• 类1 代表违约客户，这是我们重点关注的目标
• ⭐随机搜索精确率最高：0.83，说明它找到的参数在识别违约客户时最准确

6.2 最佳参数对比

场景1：快速原型，先用默认参数

场景2：小参数空间 → 网格搜索（穷举最优） ↓ 场景3：大参数空间 + 中等算力 → 随机搜索（效率高） ↓
场景4：大参数空间 + 有限算力 → 贝叶斯优化(skopt)（智能搜索） ↓ 场景5：需要可视化优化过程 → 贝叶斯优化(bayes-opt)（详细输出）