mloptimizer : optimisation des hyperparamètres basée sur un algorithme génétique pour les modèles d'apprentissage automatique en python

L'optimisation des hyperparamètres (HPO) dans les pipelines d'apprentissage automatique peut avoir un impact significatif sur la performance des modèles. Alors que les approches traditionnelles telles que le réglage manuel, la recherche en grille et la recherche aléatoire sont largement adoptées, elles deviennent inefficaces lorsqu'il s'agit d'espaces de recherche complexes et à haute dimensionnalité. Pour remédier à cette limitation, cet article présente mloptimizer, un package open-source qui implémente une optimisation des hyperparamètres basée sur un algorithme génétique pour les modèles d'apprentissage automatique. Le package s'intègre parfaitement avec scikit-learn, le framework Python d'apprentissage automatique largement utilisé, et offre une compatibilité avec des bibliothèques populaires telles que XGBoost et CatBoost. Construite sur la bibliothèque DEAP (Distributed Evolutionary Algorithms in Python), mloptimizer supporte l'exécution parallèle pour une exploration efficace de grands espaces de recherche. De plus, le package est conçu pour être facile à utiliser et hautement personnalisable, et il fournit une intégration native avec MLflow pour le suivi des expériences et la reproductibilité.