NSGA-II 多目标遗传算法 Python 实战：SVM 超参数优化 Pareto 前沿可视化

NSGA-II 多目标遗传算法 Python 实战SVM 超参数优化与 Pareto 前沿可视化当我们需要同时优化机器学习模型的多个性能指标时单目标优化方法往往显得力不从心。比如在支持向量机(SVM)调参中我们既希望模型准确率尽可能高又希望训练时间尽可能短这两个目标通常是相互矛盾的。这时候多目标优化算法就能派上大用场。NSGA-II(非支配排序遗传算法 II)是目前最流行的多目标优化算法之一它通过维护一个解的种群采用非支配排序和拥挤度比较机制能够在一次运行中找到多个 Pareto 最优解。这些解构成了所谓的 Pareto 前沿展示了不同目标之间的最佳权衡关系。1. 多目标优化基础与 NSGA-II 原理在单目标优化中我们很容易定义最优解——就是使目标函数值最小(或最大)的那个解。但在多目标优化中由于存在多个相互冲突的目标通常不存在一个在所有目标上都最优的解而是存在一组非支配解(Pareto 最优解)。非支配解的定义是在解集中如果一个解在所有目标上都不比另一个解差且至少在一个目标上严格更好则称前者支配后者。不被任何其他解支配的解就是非支配解。NSGA-II 通过以下机制高效寻找 Pareto 最优解快速非支配排序将种群中的个体按支配关系分层确保优秀个体优先保留拥挤度比较在同层个体中优先保留目标空间中分布稀疏的个体维持解的多样性精英保留策略将父代和子代合并选择防止优秀个体丢失# NSGA-II 伪代码框架 def NSGA2(): 初始化种群 P 计算每个个体的目标函数值 对 P 进行非支配排序 计算拥挤度 while 未达到终止条件: 通过选择、交叉、变异生成子代 Q 合并父代 P 和子代 Q 得到 R 对 R 进行非支配排序 计算拥挤度 选择前 N 个个体组成新一代 P return 最后一代的非支配解集2. SVM 超参数优化问题建模支持向量机的性能很大程度上取决于其超参数的选择。我们主要关注以下两个超参数正则化参数 C控制模型对误分类样本的惩罚力度核函数参数 gamma影响 RBF 核的局部性程度我们的优化目标是最大化模型在测试集上的准确率最小化模型的训练时间这两个目标通常是相互冲突的——更复杂的模型(更大的 C 和 gamma)可能获得更高准确率但需要更长的训练时间。首先我们需要定义评估函数计算给定超参数下的目标值from sklearn.svm import SVC from sklearn.model_selection import cross_val_score import time def evaluate_svm(params, X, y): 评估 SVM 模型的性能 参数: params: 超参数字典 {C: value, gamma: value} X: 特征数据 y: 标签数据 返回: (准确率, 训练时间) 元组 model SVC(Cparams[C], gammaparams[gamma], random_state42) # 计算训练时间 start_time time.time() scores cross_val_score(model, X, y, cv5, scoringaccuracy) elapsed_time time.time() - start_time accuracy np.mean(scores) return accuracy, elapsed_time3. Python 实现 NSGA-II 算法下面我们使用 DEAP 库实现 NSGA-II 算法。DEAP 是一个强大的进化计算框架可以方便地实现各种遗传算法。首先设置遗传算法的基本要素from deap import base, creator, tools, algorithms import numpy as np import random # 定义多目标最小化问题准确率最大化时间最小化 creator.create(FitnessMulti, base.Fitness, weights(1.0, -1.0)) creator.create(Individual, list, fitnesscreator.FitnessMulti) # 初始化工具箱 toolbox base.Toolbox() # 定义超参数范围 C_min, C_max 0.1, 100 gamma_min, gamma_max 0.0001, 10 # 注册基因生成函数 toolbox.register(attr_C, random.uniform, C_min, C_max) toolbox.register(attr_gamma, random.uniform, gamma_min, gamma_max) # 定义个体生成方式 toolbox.register(individual, tools.initCycle, creator.Individual, (toolbox.attr_C, toolbox.attr_gamma), n1) toolbox.register(population, tools.initRepeat, list, toolbox.individual)接下来定义遗传操作和评估函数# 评估函数 def evaluate(individual, X, y): params {C: individual[0], gamma: individual[1]} accuracy, time_consumed evaluate_svm(params, X, y) return accuracy, time_consumed # 注册遗传操作 toolbox.register(mate, tools.cxSimulatedBinaryBounded, low[C_min, gamma_min], up[C_max, gamma_max], eta20.0) toolbox.register(mutate, tools.mutPolynomialBounded, low[C_min, gamma_min], up[C_max, gamma_max], eta20.0, indpb0.2) toolbox.register(select, tools.selNSGA2) toolbox.register(evaluate, evaluate)4. 运行 NSGA-II 优化现在我们可以运行 NSGA-II 算法来优化 SVM 超参数了def run_nsga2(X, y, pop_size50, n_gen20, cxpb0.9, mutpb0.1): # 创建初始种群 pop toolbox.population(npop_size) # 评估初始种群 fitnesses [toolbox.evaluate(ind, X, y) for ind in pop] for ind, fit in zip(pop, fitnesses): ind.fitness.values fit # 运行 NSGA-II for gen in range(n_gen): # 选择下一代 offspring toolbox.select(pop, len(pop)) offspring list(map(toolbox.clone, offspring)) # 应用交叉和变异 for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() cxpb: toolbox.mate(child1, child2) del child1.fitness.values del child2.fitness.values for mutant in offspring: if random.random() mutpb: toolbox.mutate(mutant) del mutant.fitness.values # 评估新个体 invalid_ind [ind for ind in offspring if not ind.fitness.valid] fitnesses [toolbox.evaluate(ind, X, y) for ind in invalid_ind] for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values fit # 合并父代和子代 pop toolbox.select(pop offspring, pop_size) return pop5. Pareto 前沿可视化与分析获得优化结果后我们可以将 Pareto 前沿可视化直观展示不同超参数配置下的权衡关系import matplotlib.pyplot as plt def plot_pareto_front(pop, X, y): # 提取所有解的目标值 accuracies [] times [] for ind in pop: acc, t ind.fitness.values accuracies.append(acc) times.append(t) # 找出非支配解 front tools.sortNondominated(pop, len(pop), first_front_onlyTrue)[0] front_acc [] front_time [] for ind in front: acc, t ind.fitness.values front_acc.append(acc) front_time.append(t) # 绘制结果 plt.figure(figsize(10, 6)) plt.scatter(times, accuracies, cblue, alpha0.5, labelAll solutions) plt.scatter(front_time, front_acc, cred, s100, labelPareto front) plt.xlabel(Training Time (s)) plt.ylabel(Accuracy) plt.title(Pareto Front for SVM Hyperparameter Optimization) plt.legend() plt.grid(True) plt.show() return front6. 完整案例演示让我们用一个实际数据集演示整个流程。我们使用 sklearn 中的乳腺癌数据集from sklearn.datasets import load_breast_cancer from sklearn.preprocessing import StandardScaler # 加载并预处理数据 data load_breast_cancer() X, y data.data, data.target X StandardScaler().fit_transform(X) # 运行 NSGA-II 优化 optimized_pop run_nsga2(X, y, pop_size50, n_gen20) # 可视化 Pareto 前沿 pareto_front plot_pareto_front(optimized_pop, X, y)运行结果将显示一个散点图其中红色点表示 Pareto 前沿上的解。从图中我们可以清楚地看到准确率和训练时间之间的权衡关系——要获得更高的准确率通常需要付出更长的训练时间。7. 结果分析与决策建议获得 Pareto 前沿后我们需要根据实际需求选择最合适的解。以下是几种常见的决策策略固定约束法如果一个目标有硬性要求比如训练时间不能超过 5 秒我们就在满足该约束的解中选择另一个目标最优的解。权重法给两个目标分配权重计算每个解的加权和选择总分最高的解。例如def weighted_score(individual, accuracy_weight0.7): acc, time individual.fitness.values # 归一化处理 normalized_acc (acc - min_acc) / (max_acc - min_acc) normalized_time (time - min_time) / (max_time - min_time) return accuracy_weight * normalized_acc (1 - accuracy_weight) * normalized_time拐点法选择 Pareto 前沿上斜率变化最大的点这个点通常代表了性价比最高的折中方案。对于我们的 SVM 调参问题还可以进一步分析 Pareto 前沿上的解对应的超参数值找出其中的规律def analyze_pareto_front(pareto_front): C_values [] gamma_values [] accuracies [] times [] for ind in pareto_front: C, gamma ind acc, t ind.fitness.values C_values.append(C) gamma_values.append(gamma) accuracies.append(acc) times.append(t) # 绘制超参数与目标的关系 plt.figure(figsize(15, 5)) plt.subplot(1, 2, 1) plt.scatter(C_values, accuracies, ctimes, cmapviridis) plt.colorbar(labelTraining Time (s)) plt.xscale(log) plt.xlabel(C (log scale)) plt.ylabel(Accuracy) plt.title(C vs Accuracy (Color: Time)) plt.subplot(1, 2, 2) plt.scatter(gamma_values, accuracies, ctimes, cmapviridis) plt.colorbar(labelTraining Time (s)) plt.xscale(log) plt.xlabel(gamma (log scale)) plt.ylabel(Accuracy) plt.title(gamma vs Accuracy (Color: Time)) plt.tight_layout() plt.show()通过这种分析我们可能会发现某些超参数组合能带来更好的性能-时间平衡这些经验可以指导我们在其他数据集上的调参工作。