translated this article on 23 December 2017
标题
Hyperopt：用于优化机器学习算法的超参数的Python库
作者
詹姆斯·伯格斯特拉，丹·维明斯和戴维·C·考克斯
(James Bergstra, Dan Yamins, and David D. Cox)
简介
James Bergstra是滑铁卢大学理论神经科学中心的NSERC万津研究员。他的研究兴趣包括视觉系统模型和学习算法，深度学习，贝叶斯优化，高性能计算和音乐信息检索。此前他曾是哈佛大学罗兰科学研究院David Cox教授的计算机和生物视觉实验室的成员。他在2011年7月在Yoshua Bengio教授的指导下完成了蒙特利尔大学的博士研究，并撰写了关于如何将复杂的细胞纳入深度学习模型的论文。作为他的博士研究工作的一部分，他共同开发了Theano，一个流行的Python元编程系统，可以针对GPU进行高性能计算。
Dan Yamins是麻省理工学院脑与认知科学的博士后研究员。他的研究兴趣包括腹视觉流的计算模型，以及神经科学和计算机视觉应用的高性能计算。此前，他开发了用于大规模数据分析和工作流管理的Python语言软件工具。他在Radhika Nagpal的指导下在哈佛大学完成了博士学位，并撰写了关于空间分布式多代理系统计算模型的论文。
David Cox是分子和细胞生物学和计算机科学的助理教授，也是哈佛大学脑科学中心的成员。他完成了博士学位。在麻省理工学院脑与认知科学系，专攻计算神经科学。在加入MCB / CBS之前，他是哈佛罗兰研究所的一名初级研究员，这是一个多学科研究机构，致力于在传统领域的边界进行高风险，高回报的科学研究。
谈话摘要
大多数机器学习算法具有超参数，这些参数对端到端系统性能有很大影响，调整超参数以优化端到端性能可能是一项艰巨的任务。超参数有多种类型 - 连续值有边界和无边界值，有离散值的有序或不有序，有条件的甚至不总是适用（例如，可选的预处理阶段的参数） - 所以常规的连续和组合优化算法要么不直接应用，要么在没有利用搜索空间中的结构的情况下操作。通常，超参数的优化是由领域专家在不相关的问题之前进行的，或者在网格搜索的帮助下手动地处理问题。然而，
对于更好的超参数优化算法（HOAs）有强烈的需求，原因有两个：
HOAs将模型评估的实践正式化，从而可以在以后的日期和不同的人群中复制基准实验。
学习算法设计人员可以向非专家（如深度学习系统）提供灵活的完全可配置的实现，只要他们也提供相应的HOA。
Hyperopt通过Python库提供串行和并行化的HOA [2,3]。其设计的基础是（a）超参数搜索空间的描述，（b）超参数评估函数（机器学习系统）和（c）超参数搜索算法之间的通信协议。该协议使得可以使通用HOAs（例如捆绑的“TPE”算法）适用于一系列特定的搜索问题。具体的机器学习算法（或算法族）被实现为hyperopt 搜索空间在相关的项目中：Deep Belief Networks [4]，卷积视觉体系结构[5]和scikit-learn分类器[6]。我的演示文稿将解释hyperopt解决什么问题，如何使用它，以及如何从数据中提供准确的模型，而无需操作员干预。
Submission References
[1] J. Bergstra and Y. Bengio (2012). Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research 13:281–305.
[2] J. Bergstra, D. Yamins and D. D. Cox (2013). Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures. Proc. 30th International Conference on Machine Learning (ICML-13).
[3] Hyperopt:
[4] … for Deep Belief Networks:
[5] … for convolutional vision architectures:
[6] … for scikit-learn classifiers:
More information about the presenting author can be found on his academic website: