Ajuste de hiperparâmetros

tune_model ajusta os parâmetros da base de um modelo só em V_search. O resultado é avaliado nas duas camadas como create_model; o V_select dele não foi visto pelo ajuste, então a comparação com o original continua honesta.

tuned = exp.tune_model("knn", n_trials=20)
tuned, tuner = exp.tune_model("knn", n_trials=20, return_tuner=True)
tuner.trials            # cada configuração e seu escore
tuner.improvement       # ganho relativo em V_search

• sampler="auto" usa Optuna (TPE, com semente) se o extra optuna estiver instalado; senão, busca aleatória com semente. "optuna" e "random" forçam um.

• A configuração original é a tentativa 0: o ajuste nunca fica pior que ela em V_search.

• Espaços embutidos para linear, knn, svm, tree, random_forest e mlp. Espaço próprio:

from autohybts.search.tuning import Distribution

exp.tune_model(
    "svm",
    search_space={
        "lags": (7, 28),                              # inteiros: intervalo inteiro
        "estimator_params.C": Distribution("log_float", 0.01, 100),
        "estimator_params.epsilon": [0.01, 0.1, 0.5], # lista: opções
    },
)

Ver também

Tutoriais: 08. Famílias avançadas e ajuste de hiperparâmetros.