mloptimizer: Otimização de hiperparâmetros baseada em algoritmos genéticos para modelos de aprendizado de máquina em Python

A otimização de hiperparâmetros (HPO) em pipelines de aprendizado de máquina pode impactar significativamente o desempenho do modelo. Embora abordagens tradicionais como ajuste manual, busca em grade e busca aleatória sejam amplamente adotadas, elas se tornam ineficientes ao lidar com espaços de busca complexos e de alta dimensão. Para abordar essa limitação, este artigo apresenta o mloptimizer, um pacote de código aberto que implementa a otimização de hiperparâmetros baseada em algoritmos genéticos para modelos de aprendizado de máquina. O pacote integra-se perfeitamente com o scikit-learn, o framework de aprendizado de máquina em Python amplamente utilizado, e oferece compatibilidade com bibliotecas populares como XGBoost e CatBoost. Construído sobre a biblioteca DEAP (Distributed Evolutionary Algorithms in Python), o mloptimizer suporta execução paralela para uma exploração eficiente de amplos espaços de busca. Além disso, o pacote foi projetado para ser fácil de usar e altamente personalizável, e fornece integração nativa com o MLflow para rastreamento e reprodutibilidade de experimentos.