1、手动调参，但这种方法依赖于大量的经验，而且比较费时。
许多情况下，工程师依靠试错法手工调整超参数进行优化，有经验的工程师可以在很大程度上判断如何设置超参数，从而提高模型的准确性。
2、网格化寻优，是最基本的超参数优化方法。
利用这种技术，我们只需要为所有超参数的可能性建立一个独立的模型，评估每个模型的性能，选择产生最佳结果的模型和超参数。
from sklearn.datasets import load_iris
from sklearn.svm import SVC
iris = load_iris()
svc = SVR()
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVR
grid = GridSearchCV(
estimator=SVR(kernel='rbf'),
param_grid={
'C': [0.1, 1, 100, 1000],
'epsilon': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1, 5, 10],
'gamma': [0.0001, 0.001, 0.005, 0.1, 1, 3, 5]
},
cv=5, scoring='neg_mean_squared_error', verbose=0, n_jobs=-1)
3、随机寻优，可以更准确地确定某些重要超参数的最佳值。
并非所有的超参数都有同样的重要性，有些超参数的作用更加明显。
以上就是python超参数的优化方法，希望对大家有所帮助。
本文链接：http://so.lmcjl.com/news/9081/