Ang pag - aayos ng makina ay napakahalagang hakbang para matutuhan ang mga bagay na may kinalaman sa pagpili ng pinakamahusay na mga parameter para matuto ng isang modelo.

Ano ba ang Hyperparameter Tuning?

Ang mga hyperparameter ay mga setting na namamahala sa proseso ng pagsasanay ng isang modelo ng pagkatuto ng makina. di tulad ng mga model parameter na natutunan sa panahon ng pagsasanay, ang mga hyperparameter ay nakatakda bago magsimula ang pagsasanay. Ang pag-iinimbestiga ng mga parameter na ito ay tumutulong upang maging lubos na perpekto ang kakayahan ng modelo na i-publish sa bagong datos.

Karaniwang Pamamaraan ng Pagtitinda ng Hyperparameter

  • [GRid Search: Sistematikong sumasaliksik sa pamamagitan ng isang tiyak na subset ng mga hyperparameter sa pamamagitan ng pagsasanay at pagsusuri ng modelo para sa bawat kombinasyon.
  • Random Search: Randomly sampol hyperparameter combinations sa loob ng mga itinakdang hanay, kadalasang naghahanap ng mahusay na parameter mas mabilis kaysa sa grid search.
  • Bayesian Optimization: Ginagamit ang mga modelong probabilistiko upang pumili ng mga maaasahang hyperparameter batay sa mga nakaraang resulta, na naglalayong makahanap ng mga optimikong setting nang mahusay.

Mga Halimbawa ng Pagtitiktik sa Hyperparameter

Para sa isang makinang pangsuportang vector (SVM), ang mga hyperparametro tulad ng kernel type at regularization parameter (C) ay maaaring i-redirect. sa isang neural network, rate ng pagkatuto, bilang ng mga layer, at bilang ng mga neuron ay karaniwang hyperparameters upang maging optimisa.

Sa paggamit ng grid search, ang isang siyentipiko ng datos ay maaaring sumubok ng iba't ibang kombinasyon ng mga uri ng kernel at mga pamantayang C upang matukoy ang pinakamahusay na modelo.