选择参数优化机器学习工作室（经典）中的算法
适用于：
机器学习 Studio（经典版）Azure 机器学习 
重要
对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
本主题介绍如何为 机器学习 Studio（经典）中的算法选择正确的超参数集。 大多数机器学习算法使用参数来设置。 训练模型时，需要为这些参数提供值。 经过训练的模型效力取决于选择的模型参数。 查找最佳参数集的过程称为模型选择。
有多种方法可选择模型。 在机器学习中，交叉验证是模型选择最常用的方法之一，它是 机器学习 Studio（经典）中的默认模型选择机制。 由于 机器学习 Studio（经典版）同时支持 R 和 Python，因此始终可以使用 R 或 Python 实现自己的模型选择机制。
查找最佳参数集有四个步骤：
- 定义参数空间：对于算法，首先决定要考虑的确切参数值。
- 定义交叉验证设置：决定如何为数据集选择交叉验证折叠。
- 定义指标：决定用于确定最佳参数集的指标，例如准确性、均方根误差、精度、撤销率或 F 分数。
- 训练、评估和比较：对于每个独一无二的参数值组合，交叉验证基于定义的误差指标进行执行。 评估和比较后，可选择最佳模型。
下图说明了如何在 机器学习 Studio（经典版）中实现此目的。
定义参数空间
可在模型初始化步骤中定义参数集。 所有机器学习算法的参数窗格中具有两个训练模式：单个参数和参数范围。 选择参数范围模式。 在参数范围模式下，可为每个参数输入多个值。 可在文本框中输入以逗号分隔的值。
或者，使用使用范围生成器定义网格的最大和最小网格点和生成的总点数。 默认情况下，参数值按线性刻度生成。 但是，如果“对数刻度”处于选中状态，这些值会在对数刻度中生成（即相邻点的比率是常量，而不是它们的差）。 对于整数参数，可使用连字符定义范围。 例如，“1-10”表示所有介于 1 和 10（含两者）之间的整数构成参数集。 也支持混合模式。 例如，参数集“1-10,20,50”将包括整数 1-10、20 和 50。
定义交叉验证折叠
分区和示例模块可用于随机将折叠分配到数据。 在模块的以下示例配置中，我们定义 5 个折叠并随机将折叠号分配到示例实例。
定义指标
优化模型超参数 模块支持为给定算法和数据集凭经验选择最佳参数集。 除了有关训练模型的其他信息，此模块的“属性”窗格包括确定最佳参数集的指标。 它分别具有两个不同的下拉列表框用于分类和回归算法。 如果正在考虑的算法是分类算法，则忽略回归指标，反之亦然。 在此特定示例中，该指标为准确性。
训练、评估和比较
相同的优化模型超参数 模块训练所有对应于参数集的模型、评估各种指标并基于所选指标创建训练最佳的模型。 此模块具有两个必需输入：
- 未训练的学习器
- 数据集
该模块还具有一个可选数据集输入。 使用折叠信息将数据集连接到必需数据集输入。 如果未向数据集分配任何折叠信息，那么默认情况下会自动执行 10 个折叠交叉验证。 如果未执行折叠分配且在可选数据集端口提供验证数据集，则将选择训练-测试模式且第一个数据集用于为每个参数组合训练模型。
然后会在验证数据集上评估模型。 模块的左侧输出端口显示不同的指标作为参数值的函数。 右输出端口根据所选指标提供对应于最佳模型的已训练模型（本例中为准确性）。
可以通过可视化右侧输出端口查看所选的确切参数。 保存为已训练模型后，此模型可用于对测试集进行评分或可操作性 Web 服务。