簡介這套 PSO-SVR 代碼與實驗材料面向機器學(xué)習(xí)學(xué)習(xí)者、算法工程師及需要做回歸建模的研究人員圍繞粒子群算法優(yōu)化支持向量機超參數(shù)懲罰因子與核參數(shù)并同傳統(tǒng) SVR 對比展開。壓縮包共 64 個文件、約 941KB包含 Java、Python、C 與 MATLAB 實現(xiàn)及 Makefile、README、可執(zhí)行文件和 heart_scale、data1.mat 等數(shù)據(jù)便于跨語言復(fù)現(xiàn)實驗、查看 libsvm 調(diào)用方式與參數(shù)尋優(yōu)流程。已有 220 人學(xué)習(xí)下載。讀者可據(jù)此理解 PSO 的全局搜索如何替代網(wǎng)格搜索、如何設(shè)置種群與迭代參數(shù)并通過回歸擬合結(jié)果比較模型精度與泛化表現(xiàn)同時借鑒目錄組織和排錯思路用于課程實驗或小型預(yù)測項目。1. PSO-SVR 和裸 SVR 的差距八成在超參數(shù)兩成在算法本身先說結(jié)論在我手上那幾組小樣本回歸任務(wù)里PSO-SVR 相對默認(rèn)參數(shù)支持向量機回歸的提升八成來自懲罰系數(shù) C 和核參數(shù) gamma 選對了跟粒子群算法本身關(guān)系不大。換句話說你換成網(wǎng)格搜索、隨機搜索甚至手動試只要落在同一片參數(shù)區(qū)域精度差不多。粒子群算法真正的價值在于參數(shù)維度上去以后——比如同時調(diào) C、gamma、epsilon網(wǎng)格搜索的組合數(shù)會指數(shù)級炸開而二十來個粒子、幾十次迭代就能摸到最優(yōu)區(qū)域附近。這篇就按這個判斷往下講支持向量機回歸的超參數(shù)到底怎么影響擬合、PSO 的適應(yīng)度函數(shù)怎么寫才不騙自己、以及在什么數(shù)據(jù)上這套組合值得跑、什么數(shù)據(jù)上是白白浪費算力。2. 網(wǎng)格搜索和粒子群的分岔口先算清搜索空間的賬2.1 網(wǎng)格搜索在三維以上為什么撐不住網(wǎng)格搜索的好處很實在確定、可復(fù)現(xiàn)、好并行、結(jié)論不含隨機性。你在論文或者實驗報告里寫「網(wǎng)格搜索得到 C12.9、gamma0.031」別人復(fù)現(xiàn)一遍就是同一組數(shù)。這個優(yōu)點在小參數(shù)空間里無可替代。壞處是分辨率和范圍天然打架。假設(shè)只調(diào) C 和 gamma為了把量級跨度覆蓋住每個參數(shù)取 8 個值就是 64 組組合配上 5 折交叉驗證總擬合次數(shù) 320 次。一次 RBF-SVR 在幾千樣本上擬合一秒上下三百多秒還能忍。把 epsilon 也納入優(yōu)化8×8×8512 組5 折就是 2560 次擬合二十分鐘起步。如果為了降低隨機性再做 3 次重復(fù)直接到小時級。更難受的是你想精細一點。范圍從 1e-1 到 1e4 拉滿五個數(shù)量級8 個點意味著相鄰兩點差了三倍多最優(yōu)點附近基本靠運氣要精細就得加密到 20 個點組合數(shù)直接翻到 8000。這就是網(wǎng)格搜索在三維以上撐不住的真正原因——不是它不準(zhǔn)是你付不起那個算力。粗算一下三種參數(shù)個數(shù)下的擬合次數(shù)下面的表按 5 折交叉驗證、每維 8 個取值算優(yōu)化參數(shù)組合數(shù)5 折擬合次數(shù)單次 1 秒時的耗時量級C、gamma64320分鐘級C、gamma、epsilon5122560二十分鐘級再加核權(quán)重或 tol409620480數(shù)小時粒子群在這個賬本上是另一種算法種群 24、迭代 60上限 1440 次擬合而且?guī)г缤嶋H跑下來經(jīng)常只有 600 到 800 次。參數(shù)從 2 維漲到 3 維擬合次數(shù)幾乎不變——這是它相對網(wǎng)格搜索的核心優(yōu)勢別的都是次要的。2.2 粒子在搜什么把 C、gamma、epsilon 換到對數(shù)空間很多人第一次寫 PSO-SVR 就直接把粒子的位置當(dāng)真實超參數(shù)用初始化區(qū)間寫成 C ∈ [0.1, 10000]、gamma ∈ [0.0001, 10]然后發(fā)現(xiàn)跑了二十代還在邊界上晃。原因很樸素在 [0.1, 10000] 上均勻撒粒子落進 [0.1, 1] 這個區(qū)間的概率不到萬分之一而不少任務(wù)的合理 C 恰恰就在 1 到 100 之間。粒子全擠在大數(shù)那一頭搜索等于沒做。常見的做法是換到對數(shù)空間讓粒子位置的每一位代表「10 的幾次方」。C 在 [1e-1, 1e4] 上采樣就變成位置在 [-1, 4] 上均勻采樣gamma 在 [1e-4, 1e1] 上采樣變成 [-4, 1]。這樣每個數(shù)量級拿到粒子的機會是一樣的收斂曲線也好看得多。epsilon 要多說一句。它是不敏感帶的寬度直接跟目標(biāo)變量 y 的量綱掛鉤y 是幾千塊的金額epsilon 取 0.01 等于沒設(shè)y 標(biāo)準(zhǔn)化到均值 0 方差 1epsilon 取 0.01 又可能過寬。所以要么先把 y 標(biāo)準(zhǔn)化再固定搜索范圍要么按 y 的標(biāo)準(zhǔn)差給 epsilon 定范圍。我一般傾向前者省事。推薦的搜索邊界如下位置列就是粒子實際使用的坐標(biāo)參數(shù)物理含義原始范圍對數(shù)空間位置調(diào)大之后的表現(xiàn)C懲罰系數(shù)對誤差的容忍度1e-1 ~ 1e4-1 ~ 4越貼訓(xùn)練數(shù)據(jù)越大越過擬合gammaRBF 核寬度倒數(shù)1e-4 ~ 1e1-4 ~ 1單樣本影響范圍變小越大越容易過擬合epsilon不敏感帶寬1e-3 ~ 1e0-3 ~ 0越大擬合越平極端時把趨勢壓沒這張表不是抄來的固定答案是我踩過幾輪之后收斂下來的默認(rèn)值。你的數(shù)據(jù)如果特征維度特別高幾百維以上gamma 的上界可以往下壓一壓因為高維下 RBF 核本來就容易過度局部化。2.3 適應(yīng)度函數(shù)用交叉驗證的 RMSE別用訓(xùn)練集 RMSE這是整個 PSO-SVR 里最容易騙自己的一步。最省事的寫法是拿訓(xùn)練集 RMSE 當(dāng)適應(yīng)度代碼三行就寫完但它有個致命問題RBF-SVR 的 C 越大、gamma 越大訓(xùn)練集誤差單調(diào)往下降。粒子群作為一個最小化算法會非常忠實地把所有粒子推到邊界上最后你得到一個訓(xùn)練集幾乎零誤差、測試集一塌糊涂的模型收斂曲線還特別漂亮。常見的思路是 K 折交叉驗證把訓(xùn)練集切 K 份每次用 K-1 份擬合、剩 1 份算 RMSE取平均。5 折是折中10 折更穩(wěn)但貴一倍樣本量小于 200 的時候 5 折已經(jīng)夠用。切分要 shuffle種子要固定否則每次算出來的適應(yīng)度都帶隨機抖動粒子會跟著抖。還有一層更隱蔽的標(biāo)準(zhǔn)化必須在交叉驗證內(nèi)部做。如果在切分之前就對全量數(shù)據(jù) fit 了 StandardScaler驗證折的均值和方差里已經(jīng)混進了訓(xùn)練折的信息CV 分?jǐn)?shù)會偏樂觀PSO 就會往一個「看起來很好」的區(qū)域收斂。用 sklearn 的 pipeline 把 scaler 和 SVR 包在一起cross_val_score內(nèi)部會按折重新 fit這一層就自動隔開了。判斷適應(yīng)度有沒有問題看收斂曲線就行。正常的曲線是前五到十代快速下降后面緩慢逼近最后幾乎水平。如果第一代就貼到接近 0先別高興回頭查兩件事是不是把測試集混進適應(yīng)度了是不是 scaler 在 CV 外面 fit 了。3. 把 PSO-SVR 跑起來一份能直接改的代碼骨架3.1 數(shù)據(jù)入口與標(biāo)準(zhǔn)化的位置先解決數(shù)據(jù)?；貧w任務(wù)里 SVR 對特征尺度極其敏感同一個 gamma 在標(biāo)準(zhǔn)化前后完全是兩個模型所以標(biāo)準(zhǔn)化不是可選項。但標(biāo)準(zhǔn)化的位置有講究它必須待在交叉驗證內(nèi)部這一點前面說過代碼上用 pipeline 實現(xiàn)最省心。import numpy as np from sklearn.datasets import load_diabetes from sklearn.model_selection import train_test_split # 442 條、10 維特征的公開回歸數(shù)據(jù)用來演示流程足夠 X, y load_diabetes(return_X_yTrue) # 先切出 20% 做最終驗收這份數(shù)據(jù)在整個調(diào)參過程中一次都不碰 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) print(X_train.shape, X_test.shape) # (353, 10) (89, 10)這段的意義不在于加載數(shù)據(jù)而在于那個random_state42和「一次都不碰」的約定。測試集在調(diào)參階段被看上一眼你后面所有對比數(shù)字的可信度都要打折扣因為粒子群會通過你的手間接擬合到測試集上。血淚經(jīng)驗是先把測試集切出來、存成文件、調(diào)參腳本里根本不 import 它。要不要順手把 y 也標(biāo)準(zhǔn)化如果 y 的量級跨得大比如從幾十到幾萬標(biāo)準(zhǔn)化能讓 epsilon 的搜索范圍固定下來省掉一輪范圍調(diào)整。代價是預(yù)測結(jié)果要反變換回來多兩行代碼。3.2 粒子編碼、邊界與速度限幅編碼用上一節(jié)的對數(shù)空間解碼函數(shù)單獨抽出來方便在實驗記錄里還原真實超參數(shù)。邊界用數(shù)組存好處是后面裁剪時一行np.clip搞定不用給每一維寫 if。from sklearn.svm import SVR from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.model_selection import KFold, cross_val_score # 粒子位置對數(shù)空間- 真實超參數(shù) def decode(pos): C 10.0 ** pos[0] # 位置 -1~4 還原成 0.1~10000 gamma 10.0 ** pos[1] # 位置 -4~1 還原成 1e-4~10 epsilon 10.0 ** pos[2] # 位置 -3~0 還原成 0.001~1 return C, gamma, epsilon # 適應(yīng)度只在訓(xùn)練集內(nèi)部做 K 折測試集不參與 def fitness(pos, X, y, n_splits5, seed0): C, gamma, eps decode(pos) pipe make_pipeline( StandardScaler(), # 標(biāo)準(zhǔn)化放在 CV 內(nèi)部 SVR(kernelrbf, CC, gammagamma, epsiloneps) ) kf KFold(n_splitsn_splits, shuffleTrue, random_stateseed) scores cross_val_score(pipe, X, y, cvkf, scoringneg_root_mean_squared_error) return -scores.mean() # 取正越小越好fitness每次調(diào)用會擬合 5 次模型這就是 PSO 的成本單位。想讓整體快一倍把n_splits降到 3代價是適應(yīng)度噪聲變大、粒子軌跡變抖一般不建議在樣本量夠的時候省這一步。速度要限幅這一條很多人漏掉。粒子速度如果不設(shè)上限某一位可能一步跨過好幾個數(shù)量級位置被np.clip拉回邊界之后速度還很大下一代會繼續(xù)往邊界撞,粒子就廢了。經(jīng)驗值是把速度上限設(shè)成搜索區(qū)間寬度的 15% 到 20%。參數(shù)建議值作用與調(diào)整方向種群規(guī)模20 ~ 30小于 15 容易早熟大于 40 收益遞減迭代次數(shù)50 ~ 100配合早停用多數(shù)任務(wù) 30 代內(nèi)就平了慣性權(quán)重 w0.9 線性降到 0.4前期廣撒網(wǎng)后期精修學(xué)習(xí)因子 c1、c22.0、2.0經(jīng)驗值c1 大偏個體探索c2 大偏群體收斂速度上限區(qū)間寬度的 0.15 ~ 0.2防止粒子一步飛出有效區(qū)域早停 patience8 ~ 12 代gbest 連續(xù)這么多代沒改善就停3.3 主循環(huán)慣性權(quán)重遞減與早停主循環(huán)本身不到三十行但幾個細節(jié)決定了它能不能收斂到有用的地方慣性權(quán)重隨代數(shù)線性遞減、速度先限幅再更新位置、gbest 變化小于閾值時計一次停滯。def pso_svr(X, y, n_particles24, iters60, seed42, patience10): rng np.random.default_rng(seed) bounds np.array([[-1.0, 4.0], # C 的 log10 范圍 [-4.0, 1.0], # gamma 的 log10 范圍 [-3.0, 0.0]]) # epsilon 的 log10 范圍 lo, hi bounds[:, 0], bounds[:, 1] dim len(lo) # 初始位置在區(qū)間內(nèi)均勻撒點初始速度取小區(qū)間隨機 pos rng.uniform(lo, hi, size(n_particles, dim)) vel rng.uniform(-0.1, 0.1, size(n_particles, dim)) * (hi - lo) pbest pos.copy() pbest_val np.array([fitness(p, X, y) for p in pos]) gi np.argmin(pbest_val) gbest pbest[gi].copy() gbest_val pbest_val[gi] c1 c2 2.0 vmax 0.18 * (hi - lo) # 速度上限按區(qū)間寬度比例給 stall, history 0, [gbest_val] for t in range(iters): w 0.9 - (0.9 - 0.4) * t / iters # 慣性權(quán)重線性遞減 r1 rng.random((n_particles, dim)) r2 rng.random((n_particles, dim)) vel w * vel c1 * r1 * (pbest - pos) c2 * r2 * (gbest - pos) vel np.clip(vel, -vmax, vmax) # 先限速 pos np.clip(pos vel, lo, hi) # 再裁位置 vals np.array([fitness(p, X, y) for p in pos]) better vals pbest_val # 個體歷史最優(yōu)更新 pbest[better] pos[better] pbest_val[better] vals[better] gi np.argmin(pbest_val) # 群體最優(yōu)更新 if pbest_val[gi] gbest_val - 1e-6: gbest, gbest_val pbest[gi].copy(), pbest_val[gi] stall 0 else: stall 1 history.append(gbest_val) if stall patience: # 連續(xù)多代無改善就收手 print(fearly stop at iter {t}, gbest{gbest_val:.4f}) break return decode(gbest), gbest_val, history調(diào)用的時候返回的第一個值是真實超參數(shù)元組第二是 CV RMSE第三是收斂歷史——第三個數(shù)別看輕畫出來能一眼看出是早熟還是正常收斂。如果曲線在第五代就平了說明種群多樣性不夠或者邊界給窄了如果是鋸齒狀上下跳多半是 CV 折數(shù)太少或沒 shuffle。3.4 和默認(rèn) SVR、網(wǎng)格 SVR 放在同一張表里比跑完 PSO 不算完得有個參照系。我一般會同時跑三條線默認(rèn)參數(shù)的 SVRC1、epsilon0.1、gammascale、小網(wǎng)格搜索的 SVR、PSO 調(diào)優(yōu)的 SVR。三條線用同一個random_state切數(shù)據(jù)、同一套評估函數(shù)否則數(shù)字沒法比。from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score import time def evaluate(model, X_train, y_train, X_test, y_test): t0 time.perf_counter() model.fit(X_train, y_train) cost time.perf_counter() - t0 pred model.predict(X_test) return { rmse: mean_squared_error(y_test, pred) ** 0.5, mae : mean_absolute_error(y_test, pred), r2 : r2_score(y_test, pred), fit_time: cost, } # PSO 返回的真實超參數(shù)直接塞進模型標(biāo)準(zhǔn)化仍用 pipeline 包住 (C, gamma, eps), cv_score, hist pso_svr(X_train, y_train) pso_model make_pipeline( StandardScaler(), SVR(kernelrbf, CC, gammagamma, epsiloneps) ) print(evaluate(pso_model, X_train, y_train, X_test, y_test))注意evaluate里的fit_time只算了最后一次擬合不含調(diào)參開銷。真要比較總成本得把pso_svr里所有 fitness 調(diào)用的耗時累加起來那才是你實際付出的電費。做選型匯報的時候這兩個數(shù)要分開寫不然容易被問住。4. 四個維度擺一起比PSO-SVR 與 SVR 各自該上場的場景4.1 精度、成本、穩(wěn)定性、可維護性只比精度是不完整的我在實際項目里被問得最多的反而是「這套東西上線之后誰維護」。四個維度拆開看精度上限。PSO-SVR 通常能比默認(rèn)參數(shù) SVR 好一截但和精調(diào)過的網(wǎng)格 SVR 基本打平差距在噪聲范圍內(nèi)。原因是兩者搜的是同一片參數(shù)空間PSO 的優(yōu)勢在效率不在表達能力。指望換算法帶來質(zhì)的飛躍大概率會失望。調(diào)參成本。這是量化差距最明顯的一項。前面算過三維參數(shù)下網(wǎng)格搜索 2560 次擬合PSO 上限 1440 次、實際常落在 600 到 800 次。批處理任務(wù)里這就是十幾分鐘和兩分鐘的區(qū)別。穩(wěn)定性。PSO 有隨機性同一個數(shù)據(jù)集跑三次交叉驗證分?jǐn)?shù)能差出百分之幾網(wǎng)格搜索給定同樣的網(wǎng)格結(jié)果是確定的。這一條在需要出報告的場合很要命解決辦法是固定種子跑三次取均值加減標(biāo)準(zhǔn)差把波動亮出來而不是藏起來?？删S護性。PSO 調(diào)完之后落到生產(chǎn)上的一定是一組固定超參數(shù)粒子群本身不會跟著上線。所以真正的維護成本在于「數(shù)據(jù)分布漂移之后要不要重調(diào)」。如果數(shù)據(jù)每個月都在變每次重訓(xùn)都跑一遍 PSO成本會累積這時候更常見的做法是離線調(diào)一次、在線只做擬合隔季度再校準(zhǔn)。示意性的對比結(jié)果如下數(shù)字來自一次演示跑量級參考換數(shù)據(jù)必須重測方案關(guān)鍵參數(shù)來源測試集 RMSE測試集 R2擬合次數(shù)調(diào)參耗時默認(rèn) SVR庫默認(rèn)值基準(zhǔn)基準(zhǔn)1忽略網(wǎng)格 SVR8×8×8 網(wǎng)格 5 折優(yōu)于默認(rèn)略高2560十幾分鐘PSO-SVR24 粒子 × 60 代 早停與網(wǎng)格相近相近約 700兩三分鐘4.2 什么數(shù)據(jù)上 PSO 值得什么數(shù)據(jù)上是白費電判斷標(biāo)準(zhǔn)不是「數(shù)據(jù)難不難」而是「參數(shù)維度除以可承受的擬合次數(shù)」。三個場景我分得很清楚樣本量小、特征維度低幾百條以內(nèi)、十幾維。這種數(shù)據(jù)上默認(rèn) SVR 加上手動試幾組 C 和 gamma 就夠了網(wǎng)格搜索 6×6 也就 180 次擬合幾秒鐘的事。上 PSO 屬于殺雞用牛刀還額外引入了隨機性。樣本量中等、特征維度較高、參數(shù)三個以上。這是 PSO-SVR 最舒服的區(qū)間。特征上百維之后 gamma 的敏感性陡增粗網(wǎng)格經(jīng)常跳過最優(yōu)點而 PSO 在對數(shù)空間里能細粒度地摸過去。同時樣本量還沒大到讓單次擬合變慢整個搜索在可接受時間內(nèi)跑完。需要頻繁重訓(xùn)的在線場景。這種場景下 PSO 是負(fù)擔(dān)不是助力。每次數(shù)據(jù)更新都重新跑幾百次 CV 擬合延遲頂不住。合理做法是離線把參數(shù)區(qū)間定下來線上用固定參數(shù)增量擬合隔一段時間做一次全量校準(zhǔn)。還有一類要警惕目標(biāo)變量噪聲極大、信噪比很低的數(shù)據(jù)。PSO 會非常努力地去擬合噪聲最后選出的參數(shù)往往是 C 大、epsilon 小驗證集上看著還行新樣本上崩得厲害。這種數(shù)據(jù)上 epsilon 的下界要收緊別讓它跑到 1e-3 那種幾乎不容忍誤差的位置。4.3 決策什么情況下選哪一個把上面的判斷壓成一張表照著填就行你的處境選擇理由參數(shù)只有 C 和 gamma樣本幾千以內(nèi)網(wǎng)格搜索確定性強幾分鐘出結(jié)果參數(shù)三個及以上或 gamma 敏感性高PSO-SVR維度漲了成本幾乎不變需要寫報告、結(jié)果必須完全可復(fù)現(xiàn)網(wǎng)格搜索 固定種子PSO 的隨機性要額外處理頻繁重訓(xùn)、延遲敏感離線調(diào)參 線上固定PSO 只在離線階段出現(xiàn)信噪比低、異常值多先清洗數(shù)據(jù)再談算法換優(yōu)化器救不了臟數(shù)據(jù)一句話結(jié)論PSO-SVR 解決的是「參數(shù)多到網(wǎng)格搜不動」這個具體問題不是「讓模型變準(zhǔn)」的通用方案。把它當(dāng)調(diào)參加速器看期望就對了。5. 避坑記錄五個讓我重跑實驗的翻車現(xiàn)場5.1 收斂曲線漂亮但測試集更差適應(yīng)度泄漏現(xiàn)象PSO 的 gbest 曲線一路平滑下降到第三十代幾乎貼地看著特別舒服。拿測試集一驗RMSE 比默認(rèn)參數(shù)的 SVR 還高。原因適應(yīng)度函數(shù)把測試集或者全量數(shù)據(jù)算進去了。最常見的寫法是fitness里直接對X, y做 CV而X, y是切分之前的全量數(shù)據(jù)——驗證折里含著測試樣本等價于拿測試集調(diào)參。另一種更隱蔽的是 scaler 在 CV 外面 fit 過信息從驗證折漏回訓(xùn)練折。解決適應(yīng)度函數(shù)只接收X_train, y_train測試集在調(diào)參腳本里根本不出現(xiàn)。scaler 一律用 pipeline 包在 CV 內(nèi)部。改完之后曲線會難看一些但測試集數(shù)字才是真的。5.2 十幾代之后粒子全擠成一團早熟收斂現(xiàn)象種群位置的方差迅速縮小二十代不到所有粒子幾乎重合gbest 還在邊界附近明顯沒搜到位。原因初始化區(qū)間太窄粒子一開始就沒有多樣性或者速度上限給小了粒子動不起來也可能是慣性權(quán)重降得太快前期沒來得及探索。解決初始化用整個搜索區(qū)間均勻撒點別用[0, 1]這種歸一化后就忘了反變換的寫法。速度上限提到區(qū)間寬度的 0.18 左右。慣性權(quán)重從 0.9 線性降到 0.4別一上來就固定成 0.5。還不行就加一手多樣性保護每隔十代把適應(yīng)度最差的兩個粒子重置到隨機位置。5.3 驗證集 R2 不錯但預(yù)測明顯偏高偏低標(biāo)準(zhǔn)化漏做或 epsilon 過寬現(xiàn)象交叉驗證分?jǐn)?shù)挺好看實際拿新樣本預(yù)測整體系統(tǒng)性偏移像被壓平了一樣。原因兩個可能。一是特征沒標(biāo)準(zhǔn)化量綱大的那幾維主導(dǎo)了 RBF 核的距離計算模型實際上只學(xué)到了少數(shù)特征。二是 epsilon 調(diào)得太大不敏感帶把真實趨勢也一起容忍掉了。解決標(biāo)準(zhǔn)化必做而且要在 pipeline 里做。epsilon 的搜索上界壓到 1e0 以內(nèi)如果 y 沒標(biāo)準(zhǔn)化就按 y 的標(biāo)準(zhǔn)差給范圍別用固定的 0.001 到 1。改完之后先看殘差圖殘差如果均勻分布在零附近就對了。5.4 換臺機器結(jié)果就變隨機種子沒管住現(xiàn)象同一個腳本同事那邊跑出來一組參數(shù)你這邊跑出來另一組精度還差一截。誰也說不清誰對。原因粒子初始化用了全局隨機、KFold 沒傳random_state、train_test_split沒固定種子這三處任何一處漏了結(jié)果都不可復(fù)現(xiàn)。另外 numpy 的新舊隨機 API 混用也會帶來差異。解決種子從入口傳到底np.random.default_rng(seed)生成一個 rng 對象往下傳不要到處調(diào)np.random.rand。KFold 的random_state顯式寫出來。跑三次取均值加減標(biāo)準(zhǔn)差把波動公開寫進報告比藏起來強。5.5 PSO 比網(wǎng)格搜索還慢沒開早停、邊界給太寬現(xiàn)象本來指望 PSO 省時間結(jié)果跑了四十分鐘還沒結(jié)束比網(wǎng)格搜索還慢。原因迭代次數(shù)設(shè)了 200種群 505 折一次不落全跑完。搜索邊界又給得極寬粒子大半時間在無效區(qū)域游蕩。早停的 patience 設(shè)成 30等于沒設(shè)。解決迭代次數(shù)壓到 60、種群 24、patience 8 到 12 代。先用粗網(wǎng)格快速定位大致量級再把 PSO 的邊界收窄到那個量級的 ±1.5 個數(shù)量級。這一步能把搜索空間砍掉一大半效果立竿見影。6. 復(fù)現(xiàn)閉環(huán)在同一份數(shù)據(jù)上把三種方案驗一遍調(diào)參調(diào)到最后必須有一個閉環(huán)把結(jié)論釘死否則過兩周你自己都不記得那些數(shù)字是怎么來的。我的做法是寫一個獨立的驗收腳本輸入只有固定種子的訓(xùn)練集和測試集輸出一張三行表每次都從干凈狀態(tài)跑。from sklearn.model_selection import GridSearchCV import numpy as np # 三條線共用同一個切分和同一套評估函數(shù) base make_pipeline(StandardScaler(), SVR(kernelrbf)) grid GridSearchCV( make_pipeline(StandardScaler(), SVR(kernelrbf)), param_grid{svr__C: np.logspace(-1, 4, 8), svr__gamma: np.logspace(-4, 1, 8), svr__epsilon: np.logspace(-3, 0, 8)}, cv5, scoringneg_root_mean_squared_error, n_jobs-1 ) rows [] rows.append((默認(rèn) SVR, evaluate(base, X_train, y_train, X_test, y_test))) grid.fit(X_train, y_train) rows.append((網(wǎng)格 SVR, evaluate(grid.best_estimator_, X_train, y_train, X_test, y_test))) rows.append((PSO-SVR, evaluate(pso_model, X_train, y_train, X_test, y_test))) for name, m in rows: print(f{name:10s} RMSE{m[rmse]:.2f} MAE{m[mae]:.2f} R2{m[r2]:.4f})這個腳本有兩個細節(jié)值得強調(diào)。n_jobs-1讓網(wǎng)格搜索并行不然 2560 次擬合串行跑會非常難受并行之后網(wǎng)格搜索的墻鐘時間大幅縮短PSO 的成本優(yōu)勢就沒那么突出了——這一點在選型時容易被忽略實際項目里機器核數(shù)多的話網(wǎng)格搜索往往是更劃算的選擇。另外 PSO 那條線要用前面調(diào)好的固定參數(shù)直接構(gòu)造模型不要在驗收腳本里重跑一次優(yōu)化否則每次驗收的結(jié)果都不一樣失去了對比意義。跑完之后看三件事。第一PSO-SVR 和網(wǎng)格 SVR 的測試集 RMSE 差多少差在 3% 以內(nèi)基本可以認(rèn)為等價選誰看維護成本。第二默認(rèn) SVR 差多少差得遠說明這份數(shù)據(jù)確實吃調(diào)參差得近說明這份數(shù)據(jù)的信號本來就弱花在調(diào)參上的時間不如拿去做特征工程。第三PSO 三次運行的 R2 標(biāo)準(zhǔn)差有多大超過 0.02 就得回頭查種子和折數(shù)。從那以后我每次做超參數(shù)調(diào)優(yōu)都強制走一遍「先切測試集、再寫適應(yīng)度、最后同臺驗收」這個順序中間任何一步想抄近路后面都要用雙倍時間補回來。這套流程本身沒什么玄學(xué)值錢的地方全在那些不顯眼的約束里——測試集不許碰、標(biāo)準(zhǔn)化關(guān)進 pipeline、種子從入口傳到底。粒子群只是這套流程里的一個可選零件換成隨機搜索、貝葉斯優(yōu)化骨架一模一樣。希望幫到你。本文還有配套的精品資源點擊獲取