模型调参：压力也没那么大，试了一圈还是得靠贝叶斯

YouTube网红小哥Siraj Raval的趣味小视频系列The Math of Intelligence又来啦！这期我们来讲一讲机器学习建模中最痛苦的部分——“超参数调优”。

超参数调优方法我们试了个遍，人工搜索、网格搜索、随机搜索……但最后发现：有了贝叶斯，压力其实也没那么大！

图片来自网络

“超参数”是指模型里的那些预先设定的、无法直接从模型训练中得到的参数。随机森林树木的个数、神经网络隐藏层的个数、逻辑回归的学习率，这些都是超参数。调好超参数，模型会有意外好的表现。

视频内含超多笑点，文摘菌先来预告几个，下拉观看完整视频哟！

笑点预告1：今天我们用SVM来分类一句Twitter的语气是正向的还是负向的，这叫做情感分析▼

星球大战Darth Vader：I am your father，内心戏多不外露，分析不出来能怪我？

笑点预告2：搜索参数啊搜索参数……你们找着找着就会遇到这个诅咒▼

维度超多！完全搜不过来！超开心！

笑点预告3：一定有更好的方法对不对！我们要充分发挥我们的聪明才智▼

而不是成为压力也没那么大的28岁互联网公司程序员对不对！

笑点预告4：终于，我们要和贝叶斯老爷见面了。我们先让频率学派和贝叶斯学派打一架▼

贝叶斯学派认为样本数据是确定的而参数是随机的，频率学派则相反，认为参数是确定的而样本是随机的。在超参数调优中，贝叶斯方法更占优势。

为什么试了一圈还是得靠贝叶斯？赶紧戳开视频了解吧！

▼小哥告诉你，为什么贝爷才是真爱？

https://v.qq.com/txp/iframe/player.html?vid=r0547y3dlch&width=500&height=375&auto=0
↑视频时长9分钟↑

原视频地址 https://www.youtube.com/watch?v=ttE0F7fghfk&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D&index=13

总结：有好几种超参数调优方式，我们更倾向于用贝叶斯优化▼

贝叶斯方法采用一个先验信念（prior belief），在训练模型时会不断改进先验信念，让先验信念影响预测，所以我们爱它▼

-The End-

重磅课程译制组招募中

大数据文摘经授权汉化的斯坦福CS231n和牛津DeepNLP已有6万+人学习！近期我们将开启新一轮国外精品AI课程译制，期待你的加入！戳文末阅读原文，即可加入我们！

我们希望你

• 具备一定机器学习理论知识和较高的英语水平，对数据科学/人工智能国外精品课程感兴趣

• 有时间、有责任心、乐于分享

你可以获得

• 第一时间接触独家授权视频等学习资料。

• 视频发布时会署上各位志愿者的名字和贡献。

• 有范儿有料科技大会的免费、优惠门票。

• 优质公司和岗位的内推机会。

• 和志同道合的小伙伴一起成长的机会。

本期工作人员

 听  译 | 唱歌的蔬菜  

翻  译 | Clare

校  对 | 糖竹子、龙牧雪    

后  期 | 郭  丽 

  编  辑 | 韩  蕊

精品课程

数据科学实训营第4期

优秀学员推荐|杨晶

学员介绍：上海交大硕士，实训营1期学员，实训营3期助教。已拿到某一线电商大数据部门offer。

实训营最主要的优势是开拓了我的眼界，引导我走上了数据科学的道路。

在没有上实训营的课之前，我也曾抱着砖头书苦读，也曾在网上到处搜索，有进步但效率比较低。

在实训营里面，老师作为过来人，引导我走上了正轨。一些关键点懂了，就如同打通了“任督二脉”。

作为在校生，缺乏的就是过来人的经验和眼光，在起步的初期接受这些帮助，对找工作确实影响深远。

志愿者介绍

回复“志愿者”加入我们

往期精彩文章

点击图片阅读

点击阅读原文填写表单参与重磅课程译制

我们会在3个工作日内联系您

▼▼▼