在机器学习中，我们通常会尝试多种不同特征的组合、我们应用于数据的过滤器、特征或目标变量的转换以及不同版本的超参数。
如果我们没有详尽地了解我们如何跟踪我们尝试的不同组合，那么这个事实就很难跟踪哪些有效，哪些无效。
我想知道是否有围绕这个问题的最佳实践。我目前的方法是跟踪不同的组合命名文件，并参考组成它的部分，例如我将命名它的超参数泡菜文件booster_params_{}_{}_{}_{}.pickle'.format(filter_name, features_name, model_target, params_iteration)
其中过滤器名称是我应用于数据的过滤器集，特征名称是指使用的特征集，模型目标是我正在建模的目标，参数迭代是指超参数的版本。
这似乎是一种矫枉过正，这就是为什么我正在寻找如何解决这个问题的想法。
您可以维护 booster_params.pickle 的多个版本：1) 通过版本控制系统或 2) 手动维护，例如 booster_params_v1.pickle、...v2 等，以及一个单独的文件，您可以在其中描述每个版本
对于简单的事情，我通常会坚持你的方法。
最近我转向包装具有这些变量属性的自定义 python 类，以便对它们进行酸洗可以在内部保存相关信息；这可以让您保存更多信息，但当然在 unpickling 之前您将无法看到这些信息，因此如果您可以提供简短的描述性文件名并将详细信息留给班级，这将非常有用。
我也喜欢电子表格（甚至笔记本）作为查找的想法，所以 +1 给 Felix。 杰森布朗利也赞同。
最后，有几个专门为此目的而构建的工具。MLFlow、CometML、GuildAI 和（特定于 TensorFlow 的）HParams Dashboard 是我发现的前几个。