Úvod
Ve strojovém učení se modely vytrénují tak, aby predikovaly neznámé popisky pro nová data na základě korelací mezi známými popisky a funkcemi nalezenými v trénovacích datech. V závislosti na použitém algoritmu možná budete muset zadat hyperparametry ke konfiguraci způsobu trénování modelu.
Například algoritmus logistické regrese používá hyperparametr míry regularizace k potlačení přeurčení. Techniky hlubokého učení pro konvoluční neurální sítě (CNN) používají hyperparametry, jako je rychlost učení k řízení způsobu úpravy hmotností během trénování, a velikost dávky k určení počtu datových položek zahrnutých do každé trénovací dávky.
Poznámka:
Strojové Učení je akademické pole s vlastní konkrétní terminologií. Datoví vědci odkazují na hodnoty určené z trénovacích funkcí jako parametrů, takže pro hodnoty, které se používají ke konfiguraci chování trénování, ale které nejsou odvozené z trénovacích dat , proto termín hyperparametr vyžaduje jiný termín.
Volba hodnot hyperparametrů může významně ovlivnit výsledný model, takže je důležité vybrat nejlepší možné hodnoty pro konkrétní data a prediktivní výkonnostní cíle.
Ladění hyperparametrů
Ladění hyperparametrů se provádí trénováním více modelů pomocí stejného algoritmu a trénovacích dat, ale různých hodnot hyperparametrů. Výsledný model z každého trénovacího spuštění se pak vyhodnotí a určí metriku výkonu, pro kterou chcete optimalizovat (například přesnost) a vybere se nejlepší model.
Ve službě Azure Machine Učení můžete hyperparametry ladit odesláním skriptu jako úlohy úklidu. Úloha uklidení spustí zkušební verzi pro každou kombinaci hyperparametrů, která se má testovat. Každá zkušební verze používá trénovací skript s parametrizovanými hodnotami hyperparametrů k trénování modelu a protokoluje cílovou metriku výkonu dosaženou trénovaným modelem.
Cíle výuky
V tomto modulu:
- Definujte vyhledávací prostor hyperparametrů.
- Konfigurace vzorkování hyperparametrů
- Vyberte zásadu předčasného ukončení.
- Spusťte úlohu úklidu.