只适用于固定估计量的自动ML

Question

我正在处理一个包含1000行和28列的二进制分类。

我希望使用Auto解决方案来尝试不同的超参数组合等等，但是algo只应该是logistic regression。

由于缺乏可解释性，我不希望使用其他算法。

因此，我希望我的自动ML解决方案坚持逻辑回归，并尝试不同的超参数值。当然，我也可以使用固定的估计量，如决策树、随机森林等。

有什么自动ML解决方案可以使用固定估值器吗？

我读过关于Tpot、Evalml、AutoML等的文章，但是他们都尝试了多种算法，并最终输出了最好的算法(这可能不是logistic回归)。如何限制我的自动ML解决方案仅使用逻辑回归？

Answer 1

我发现我们可以使用Tpot's config_dict来完成这个任务，并将它作为输入传递给分类器函数，如下所示

tpot_config = {
    'sklearn.linear_model.LogisticRegression': {
        'penalty': ["l1", "l2"],
        'C': [1e-4, 1e-3, 1e-2, 1e-1, 0.5, 1., 5., 10., 15., 20., 25.],
        'dual': [True, False]
    },
}

tpot = TPOTClassifier(max_time_mins=10,verbosity=2,
                      config_dict=tpot_config,scoring='f1')
tpot.fit(ord_train_t, y_train)

这将确保TPOT在config_dict提供的信任基础上搜索最佳管道。

但是，如果还有其他的ML工具，我也想从这里的其他人那里了解到。

Answer 2

您不需要自动机器学习(Auto)解决方案来找到逻辑回归的最佳超参数。您可以使用网格搜索或随机搜索。