Hyperopt-sklear是基于scikit-lear项目的一个子集，其全称是：Hyper-parameteroptimizatioforscikit-lear，即针对scikit-lear项目的超级参数优化工具。由于scikit-lear是基于Pytho的机器学习开源框架，因此Hyperopt-sklear也基于Pytho语言。
Hyperopt-sklear的文档称：对于开发者而言，针对不同的训练数据挑选一个合适的分类器（classifier）通常是困难的。而且即使选好了分类器，后面的参数调试过程也相当乏味和耗时。更严重的是，还有许多情况是开发者好不容易调试好了选定的分类器，却发现一开始的选择本身就是错误的，这本身就浪费了大量的精力和时间。针对该问题，Hyperopt-sklear提供了一种解决方案。
Hyperopt-sklear支持各种不同的搜索算法（包括随机搜索、TreeofParzeEstimators、Aealig等），可以搜索所有支持的分类器（KNeightborsClassifier、KNeightborsClassifier、SGDClassifier等）或者在给定的分类器下搜索所有可能的参数配置，并评估最优选择。并且Hyperopt-sklear还支持多种预处理流程，包括TfidfVectorizer，Normalzier和OeHotEcoder等。
那么Hyperopt-sklear的实际效果究竟如何？下表分别展示了使用scikit-lear默认参数和Hyperopt-sklear优化参数运行的分类器的F-score分数，数据源来自20个不同的新闻组稿件。可以看到，经过优化的分类器的平均得分都要高于默认参数的情况。
另外，Hyperopt-sklear的编码量也很小，并且维护团队还提供了丰富的参考样例。
评论