Introducción
En el aprendizaje automático, los modelos se entrenan para predecir etiquetas desconocidas para los datos nuevos en función de las correlaciones entre las etiquetas conocidas y las características que se encuentran en los datos de entrenamiento. Según el algoritmo usado, es posible que tengan que especificar hiperparámetros para configurar cómo se entrena el modelo.
Por ejemplo, el algoritmo de regresión logística utiliza un hiperparámetro de tasa de regularización para contrarrestar el sobreajuste. Además, las técnicas de aprendizaje profundo de las redes neuronal convolucionales (CNN) usan hiperparámetros como la velocidad de aprendizaje a fin de controlar cómo se ajustan las ponderaciones durante el entrenamiento y el tamaño del lote para determinar el número de elementos de datos que se incluyen en cada lote de entrenamiento.
Nota:
El aprendizaje profundo es un campo académico con su terminología determinada propia. Los científicos de datos hacen referencia a los valores que se determinan a partir de las características de entrenamiento como parámetros, por lo que se necesita otro término para los valores que se usan para configurar el comportamiento del entrenamiento y que no se derivan de los datos de entrenamiento. De ahí nace el término hiperparámetro.
La elección de los valores de hiperparámetro puede afectar de forma significativa al modelo resultante, lo que hace que sea importante seleccionar los mejores valores posibles para sus datos concretos y los objetivos de rendimiento predictivo.
Ajuste de hiperparámetros
El ajuste de los hiperparámetros se logra mediante el entrenamiento de varios modelos, con el mismo algoritmo y los mismos datos de entrenamiento, pero con distintos valores de hiperparámetros. A continuación, el modelo que resulta de cada ejecución de entrenamiento se evalúa para determinar la métrica de rendimiento para la que desea realizar la optimización (por ejemplo, precisión) y se selecciona el modelo de mejor rendimiento.
En Azure Machine Learning, puede ajustar los hiperparámetros enviando un script como un trabajo de barrido. Un trabajo de barrido ejecutará una prueba para cada combinación de hiperparámetros que se va a probar. Cada prueba usa un script de entrenamiento con valores de hiperparámetro parametrizados con el fin de entrenar un modelo, y registra la métrica de rendimiento de destino que logra el modelo entrenado.
Objetivos de aprendizaje
En este módulo aprenderá a:
- Definición de un espacio de búsqueda de hiperparámetros.
- Configuración de muestreo de hiperparámetros.
- Selección de una directiva de terminación anticipada.
- Ejecute un trabajo de barrido.