Memutar Hyperparameter adalah langkah penting dalam mengawasi pembelajaran yang melibatkan pemilihan parameter terbaik untuk model pembelajaran mesin. Pencatuan yang tepat dapat meningkatkan kinerja dan ketepatan model secara signifikan. Artikel ini mengeksplorasi metode umum dan menyediakan contoh untuk memahami proses dengan lebih baik.

Apa itu Hyperparameter Tuning?

Hyperparameter adalah pengaturan yang mengatur proses pelatihan model pembelajaran mesin.Tidak seperti parameter model yang dipelajari selama pelatihan, hyperparameter ditetapkan sebelum latihan dimulai.Tenakan parameter ini membantu mengoptimalkan kemampuan model untuk memgeneralisasi data baru.

Metode - Metode Umum Penalaan Hiperparameter

  • [5] efestival:0]]Grid Search: Sistem pencarian secara sistematis melalui subset hiperparameter yang ditentukan dengan melatih dan mengevaluasi model untuk setiap kombinasi.
  • [[VierfLRT:0]]Random Search: Abandomly sampel hyperparameter kombinasi dalam jangkauan yang didefinisikan, sering kali menemukan parameter yang baik lebih cepat daripada grid pencarian.
  • [5] ifestival Optimasi Bayesian: Gunakan model probabilistik untuk memilih hiperparameter yang menjanjikan berdasarkan hasil sebelumnya, bertujuan untuk menemukan pengaturan optimal secara efisien.

Contoh - Contoh dari Penolaan Hiperparameter

Untuk mesin vektor pendukung (SVM), hyperparameter seperti tipe kernel dan parameter regularisasi (C) dapat disetel. Dalam jaringan saraf, tingkat belajar, jumlah lapisan, dan jumlah neuron adalah hiperparameter umum untuk dioptimalkan.

Dengan menggunakan grid pencarian, seorang ilmuwan data mungkin menguji kombinasi yang berbeda dari jenis kernel dan nilai C untuk mengidentifikasi model yang tampil terbaik. Sebagai alternatif, pencarian acak dapat dengan cepat mengeksplorasi jangkauan parameter yang lebih luas dengan biaya yang kurang komparatif.