01Overall Concept
ไอเดียหลัก — Grid Search แจกแจงค่าพารามิเตอร์เป็นตาราง ฝึกและประเมินทุก combination ด้วย cross-validation แล้วเลือกชุดที่ได้คะแนนเฉลี่ยดีที่สุด
ลองนึกภาพว่า — เหมือนชิมสูตรกาแฟทุกคู่ของระดับบดและอุณหภูมิที่เขียนไว้ในตาราง ก่อนเลือกสูตรที่คะแนนเฉลี่ยดีที่สุด
ตัวอย่างการนำไปใช้ — เลือก hyperparameters ของโมเดลและ pipeline เมื่อพื้นที่ค้นหาไม่ใหญ่
02อธิบายภาษาคนเข้าใจง่ายๆ
Grid Search เริ่มจากคำถามง่าย ๆ ว่า ลองค่าพารามิเตอร์ทุกชุดในตารางที่กำหนด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนชิมสูตรกาแฟทุกคู่ของระดับบดและอุณหภูมิที่เขียนไว้ในตาราง ก่อนเลือกสูตรที่คะแนนเฉลี่ยดีที่สุด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Grid Search แจกแจงค่าพารามิเตอร์เป็นตาราง ฝึกและประเมินทุก combination ด้วย cross-validation แล้วเลือกชุดที่ได้คะแนนเฉลี่ยดีที่สุด พารามิเตอร์หลักใน Playground คือ จำนวนค่าที่ลอง เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ LogisticRegression · C จำนวน 6 ค่า · 5 folds เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น เลือก hyperparameters ของโมเดลและ pipeline เมื่อพื้นที่ค้นหาไม่ใหญ่ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: ลอง 6 ค่า × 5 folds = 30 fits พร้อมจำข้อจำกัดสำคัญว่า จำนวนงานโตแบบคูณเมื่อเพิ่มพารามิเตอร์ อย่าใช้ test set เลือกค่า และการเลือก metric ผิดทำให้ได้โมเดลผิดเป้าหมาย
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
estimator, parameter grid และข้อมูลฝึกที่จะแบ่ง cross-validation ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ param_grid เพื่อรายการค่าที่ต้องลองทุก combination และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
สร้างทุก combination จาก grid จากนั้น ประเมินแต่ละชุดด้วย cross-validation เดียวกัน Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
เลือกคะแนนเฉลี่ยสูงสุดแล้ว refit บนชุดฝึกทั้งหมด ผลที่ได้คือ best_params_, best_score_ และตารางผล cv_results_ ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ candidates ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า จำนวนงานโตแบบคูณเมื่อเพิ่มพารามิเตอร์ อย่าใช้ test set เลือกค่า และการเลือก metric ผิดทำให้ได้โมเดลผิดเป้าหมาย
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
param_gridcvscoringข้อมูลที่รับเข้ามา
estimator, parameter grid และข้อมูลฝึกที่จะแบ่ง cross-validation
LogisticRegression · C จำนวน 6 ค่า · 5 foldsพารามิเตอร์ที่ใช้
- param_grid
- รายการค่าที่ต้องลองทุก combination
- cv
- วิธีแบ่ง validation folds
- scoring
- metric ที่ใช้จัดอันดับ
ผลลัพธ์ที่ได้
best_params_, best_score_ และตารางผล cv_results_
ลอง 6 ค่า × 5 folds = 30 fitsคำนวณทีละขั้น
- 01
สร้างทุก combination จาก grid
- 02
ประเมินแต่ละชุดด้วย cross-validation เดียวกัน
- 03
เลือกคะแนนเฉลี่ยสูงสุดแล้ว refit บนชุดฝึกทั้งหมด
ควรรู้อีกนิด — จำนวนงานโตแบบคูณเมื่อเพิ่มพารามิเตอร์ อย่าใช้ test set เลือกค่า และการเลือก metric ผิดทำให้ได้โมเดลผิดเป้าหมาย
04Make it yours
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("grid-search-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] y = data[:, 2].astype(int)from sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import GridSearchCV, train_test_splitfrom sklearn.pipeline import make_pipelinefrom sklearn.preprocessing import StandardScaler X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, stratify=y, random_state=42)search = GridSearchCV(KNeighborsClassifier(), param_grid={"n_neighbors": np.unique(np.linspace(1, 29, 6, dtype=int))}, cv=5, scoring="accuracy")search.fit(StandardScaler().fit_transform(X_train), y_train)print("Best parameters:", search.best_params_)print("Mean CV score:", search.best_score_)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ จำนวนค่าที่ลอง แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง