Machine learning 随机化搜索适当的超参数分布

在“使用Scikit Learn、Keras和TensorFlow进行机器学习的实践”一书中，我看到下面的分布（倒数和指数）适用于超参数C和gamma。作者（Aurelion）是如何想出这些发行版的？我的意思是如何确定哪个分布适用于随机化搜索CV

参数分布={ '内核'：['线性'，'径向基函数']， ‘C’：互惠的（200000）， “伽马”：指数（标度=1.0），

---

}我希望我的问题是对的

这取决于ML模型。随机或网格搜索用于搜索最佳超参数，从而产生最佳预测估计器

例如，考虑下面的代码示例。“`rf\u clf``是随机林模型对象。param_distribs将包含具有任意值选择的参数

from scipy.stats import randint

param_distribs = {
        'n_estimators': randint(low=1, high=500),
        'max_depth': randint(low=1, high=10),
        'max_features':randint(low=1,high=10),
        
    }

rf_clf = RandomForestClassifier(random_state=42)
rnd_search_rf = RandomizedSearchCV(rf_clf, param_distributions=param_distribs,
                                n_iter=10, cv=5, scoring='accuracy', random_state=42)
rnd_search_rf.fit(X_train,y_train)

最佳估计器可通过

rnd_search_rf.best_estimator_

---

我在Github的示例代码中找到了以下注释。

---

C-->我们用于C的分布看起来非常不同：样本的比例是从给定范围内的均匀分布中选取的，这就是为什么表示样本对数的右图看起来大致恒定的原因。当您不知道目标比例是倒数时，此分布非常有用-：当您不知道超参数的比例应该是什么时，倒数分布非常有用（实际上，正如您在右图中所看到的，在给定范围内，所有比例的可能性相同），然而，当你知道（或多或少）超参数的规模时，指数分布是最好的。

我投票结束这个问题，因为它不是关于在中定义的编程，而是关于ML理论和方法。我在Github上的示例代码中找到以下注释。C-->我们用于C的分布看起来非常不同：样本的比例是从给定范围内的均匀分布中选取的，这就是为什么表示样本对数的右图看起来大致恒定的原因。当您不知道目标量表是什么时，此分布非常有用：