大家好，我是Toby，今天上午完成快速调参和参数可视化。在机器学习建模中，特别是模型竞赛，调参是个脏活。
调参也叫超参，英文术语为hpyterparameter。举个简单例子方便大家理解什么是调参。我们把车辆看成一个模型，我们在驾驶车辆时会面临几个重要参数：
驾驶速度
温度
音乐
其它参数
驾驶速度是最重要参数。高速路，乡村路，城市路的限速是不一样的，你在高速路上可以把驾驶速度调高一些，例如90km/h，但在城市路上不允许开这么快，需要调低点，例如60km/h。
温度也是重要参数，夏天车内太热，需要开空调降低车内温度。冬天太冷，需要调高车内温度。
音乐是不痛不痒参数，有的车主喜欢边开车边听音乐，有的车主不喜欢边开车边听音乐。喜欢开车听音乐的有的喜欢爵士音乐，有的喜欢重金属音乐，有的喜欢轻音乐。不同车主爱好也让音乐参数范围较广。
如何让车辆（理解为模型）达到一个最佳行驶状态？车主需要让驾驶速度，温度，音乐达到一个最佳组合，例如安全驾驶速度，合适温度，愉悦音乐。
作者不想高谈大论数学公式，面对大众读者，只想把复杂问题简单化，方便大家理解。机器学习模型只是把现实中模型抽象化，模型来源于生活，抽象于生活。机器学习模型可应用于各行各业，并非计算机专业的专利，文科生，理科生，工科生，小学生，中学生，大学生都可以学习，不分高低贵贱。越早接触机器学习，大脑思维能力和智力水平提高越大。
之前模型竞赛中，作者对调参充满痛苦回忆。电脑硬盘不停旋转，时间一天一天耗去。今天终于搞定快速调参，测试数据用的风控模型German credit德国信用数据集。下图有关于German credit案例的python代码复现，有兴趣同学可以去了解《python信用评分卡建模（附代码）》。
通过多次调参实验，给大家的通用经验是贝叶斯+GPU+lightgbm+并行，调参速度可以快速缩短。下图是今早调参的记录，一共有50次实验，第33次实验为最佳，AUC值为0.8122。
用了贝叶斯，每次运行脚本会有不同结果，这是随机带来结果，很好理解。
如果数据量大，参数多，建议大家不要用gridsearch网格调参，这会非常耗时。
调参记录，显示从0-50次实验的最佳AUC值
参数重要性hpyterparameter importance,显示参数重要性排序。下图显示min_child_samples是最重要参数，min_child_samples表示叶节点样本的最少数量，默认值20，用于防止过拟合。
浏览器可以展示超参详细可视化数据
parellel coordinate
最终结果来看German credit德国信用数据集的catboost超参后，AUC最高，但训练模型非常耗时。lightgbm性价比很高，训练大规模数据的速度非常快，调参也快。lightgbm可用于快速测试算法。
快速调参和参数可视化就为大家介绍到这里，如果大家对消费金融的风控模型技术感兴趣，欢迎了解系列课《python金融风控评分卡模型和数据分析微专业课（加强版）》
论文复现机器学习模型案例大本营（收藏）
版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。