نویسنده (ها): Kuriko Iwai
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
استراتژی ها و اجرای عملی را در مورد تنظیم یک مولکول مدل برای دستیابی به عملکرد بهینه
تنظیم Hyperparameter یک گام مهم در هر دو سنتی است یادگیری ماشین وت یادگیری عمیق این به طور قابل توجهی بر عملکرد مدل تأثیر می گذارد.
در حالی که بسیاری از تکنیک ها وجود دارند ، انتخاب روش بهینه تنظیم بستگی به عواملی دارد مانند:
پیچیدگی مدل: مدل های پیچیده تر ذاتاً به فضاهای جستجوی بزرگتر منجر می شوند. مجموعه داده دشواری تنظیم تأثیرگذاری با مدل: درک ما از رفتار مدل می تواند گزینه های تنظیم را راهنمایی کرده و فضاهای جستجو را تعریف کند.
در این مقاله ، استراتژی های درستی را برای تنظیم یک مدل با استفاده از پنج روش تنظیم کلید نشان می دهم:
جستجوی دستی ، جستجوی شبکه ، جستجوی تصادفی ، بهینه سازی بیزی ، و الگوریتم متائوریستی
در سناریوهای مختلف ، بیش از شبکه های عصبی حلقوی (CNNS) برای داده های تصویر با ابعاد بالا و دستگاه های بردار پشتیبانی هسته (SVM) برای داده های ساده تر.
تنظیم HyperParameter یک فرآیند فنی برای تنظیم تنظیمات پیکربندی مدل های یادگیری ماشین ، به نام HyperParameters ، قبل از آموزش مدل است.
بر خلاف پارامترهای مدل آموخته شده در طول تمرین (به عنوان مثال ، وزن و تعصب) ، هایپرپارامترها از داده ها تخمین زده نمی شوند و بیشتر مدل های تکیه دهنده دستگاه به بسیاری از هایپرپارامترها متکی هستند.
به عنوان مثال ، در صورت وجود یک شبکه عصبی حلقوی (CNN) ، یک شکل لایه ورودی ، تنظیمات لایه حلقوی مانند تعداد فیلترها ، اندازه فیلتر ، قدم زدن ، بالشتک ، اندازه لایه خروجی و تنظیمات کامپایلر مانند بهینه ساز ، عملکرد از دست دادن و معیارهای ارزیابی در واقع… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/machine-learning/master-hyperparameter-tuning-in-machine-learning
