Machine learning 如何使用MOE调整机器学习超参数？

我正试图使用Yelp创建的“度量优化引擎”来调整机器学习算法的超参数。他们的文档有点有限，我很难找到可以遵循的示例

假设我想根据以下分布为a找到

C

、

Gamma

和

内核类型的最佳值：

SVC_PARAMS = [
    {
        "bounds": {
            "max": 10.0,
            "min": 0.01,
        },
        "name": "C",
        "type": "double",
        "transformation": "log",
    },
    {
        "bounds": {
            "max": 1.0,
            "min": 0.0001,
        },
        "name": "gamma",
        "type": "double",
        "transformation": "log",
    },
    {
        "type": "categorical",
        "name": "kernel",
        "categorical_values": [
            {"name": "rbf"},
            {"name": "poly"},
            {"name": "sigmoid"},
        ],
    },
]

我试图最大化的目标函数是我的训练集

我如何使用？MOE不支持分类变量，它只允许连续超参数。为了实现您想要的目标，您可以将每个分类实例作为单独的问题进行优化，然后使用中概述的流程。最后，您可以从每种内核类型的优化模型中选择最佳模型

或者，您可以使用由创建MOE的团队构建的SigOpt。我们在教育部开始的大量工作的基础上进行了扩展。它支持连续、整数和分类参数，以及MOE中没有的许多其他功能和增强功能。我们在中概述了这个确切的示例，并在文章中提供了示例代码。您可以在我们的免费试用版或免费学术版中运行此示例。
谢谢Scott。参数示例取自您提到的SigOpt博客文章。感谢您的评论。。但我仍然很好奇如何让MOE跑起来。我已经运行了docker，但是我找不到一种方法来定义目标函数，如何提供参数空间以及Python中的所有内容。