如何设置要在随机搜索中使用的指数分布的界限？

Question

我正在尝试使用 Sci-Kit Learn 找到分类问题的最佳参数值。我发现这样做的一种方法是使用RandomizedSearchCV() 当我设置我希望我的分类器使用的参数的字典时，我遇到了一个问题：我想使用 2^-15 和 2 之间的指数分布^15 用于 C 和 gamma 参数。我做了一些研究，发现scipy.stats.expon可以解决我的问题。但是，我不知道如何设置我正在寻找的界限。scoring = {       'accuracy': 'accuracy',       'precision_macro': 'precision_macro',       'recall_macro': 'recall_macro',       'f1_macro': 'f1_macro'}param_distributions = {        'kernel': ['linear', 'poly', 'rbf', 'sigmoid'],        'C': expon(), # Here are the line that I should set the distribution        'gamma': expon(), # Also here        'degree': randint(2, 7),        'coef0': [0],        'probability': [True]}cv = StratifiedKFold(n_splits=4)rdm = RandomizedSearchCV(             estimator=SVC(),             param_distributions=param_distributions,             n_iter=10,             scoring=scoring,             n_jobs=-1,             iid=False,             cv=cv,             refit='accuracy',             random_state=787870)rdm_results = rdm.fit(X, y)我应该如何处理这个？有没有一种简单的方法来获得我想要的分布？

Answer 1

您可以先使用numpy.random.exponential从指数分布生成随机浮点数，然后使用sklearn.preprocessing.minmax_scale对它们进行 min-max 缩放，如下所示：

import numpy as np

from sklearn.preprocessing import minmax_scale

# define the number of parameters to generate 

number_of_params = 500

# generate random floats from an exponential distribution

x = np.random.exponential(scale=1.0, size=number_of_params)

# min-max scaler

x = minmax_scale(x, feature_range=(2**-15, 2**15), axis=0, copy=True)