机器学习模型超参数调优
提供机器学习模型、数据集、待调参数范围、计算预算和目标指标,规划并执行参数搜索,筛选表现更好的配置并分析调优结果。
功能与用途
用于在有限计算资源内寻找表现更好的机器学习模型参数配置。提供模型或训练代码、数据集、需要调整的参数及取值范围、计算预算和评估指标后,可选择网格搜索、随机搜索、贝叶斯优化或早停搜索,并通过交叉验证或验证集比较试验结果。最终获得推荐参数配置、对应指标表现及参数影响分析;使用前需能访问相关数据和模型运行环境,并明确优化目标。
适用场景
- 优化随机森林分类器:为树数量、深度和叶节点样本数设定搜索范围,以交叉验证 F1 等指标比较配置。
- 搜索神经网络训练参数:调整学习率、批次大小、网络宽度和权重衰减,并用早停减少低表现试验的计算开销。
- 在计算预算内筛选模型配置:按试验次数或运行时长选择搜索策略,先筛查候选区域,再集中资源细调重要参数。
- 分析参数对模型表现的影响:比较调优记录和参数重要性,识别主要影响因素及参数之间的交互关系。
适用人群
- 机器学习工程师
- 数据科学家
- 机器学习研究人员
- 正在开发预测模型的开发者
使用步骤
- 提供模型、训练代码和可访问的数据集。
- 列出待调参数、范围及必要的参数条件。
- 说明优化指标、验证方式和计算预算。
- 运行搜索试验,并按需启用并行或早停。
- 查看推荐配置、指标表现和参数影响分析。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 编程
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes Agent、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-11-03
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Optimize machine learning model hyperparameters using grid search, random search, Bayesian optimization, and Hyperband to maximize model performance within a compute budget. Use when the user requests hyperparameter tuning or provides relevant inputs for this workflow.