Introdução
No aprendizado de máquina, os modelos são treinados para prever rótulos desconhecidos para novos dados com base em correlações entre rótulos conhecidos e recursos encontrados nos dados de treinamento. Dependendo do algoritmo usado, talvez seja necessário especificar hiperparâmetros para configurar como o modelo é treinado.
Por exemplo, o algoritmo de regressão logística usa um hiperparâmetro de taxa de regularização para neutralizar o sobreajuste e técnicas de aprendizagem profunda para redes neurais convolucionais (CNNs) usam hiperparâmetros como taxa de aprendizado para controlar como os pesos são ajustados durante o treinamento e o tamanho do lote para determinar quantos itens de dados são incluídos em cada lote de treinamento.
Nota
Machine Learning é um campo acadêmico com sua própria terminologia particular. Os cientistas de dados referem-se aos valores determinados a partir dos recursos de treinamento como parâmetros, portanto, um termo diferente é necessário para valores que são usados para configurar o comportamento de treinamento, mas que não são derivados dos dados de treinamento - daí o termo hiperparâmetro.
A escolha de valores de hiperparâmetros pode afetar significativamente o modelo resultante, tornando importante selecionar os melhores valores possíveis para seus dados específicos e metas de desempenho preditivo.
Ajustando hiperparâmetros
O ajuste de hiperparâmetros é realizado treinando os vários modelos, usando o mesmo algoritmo e dados de treinamento, mas valores de hiperparâmetros diferentes. O modelo resultante de cada execução de treinamento é então avaliado para determinar a métrica de desempenho para a qual você deseja otimizar (por exemplo, precisão) e o modelo de melhor desempenho é selecionado.
No Aprendizado de Máquina do Azure, você pode ajustar hiperparâmetros enviando um script como um trabalho de varredura. Um trabalho de varredura executará uma avaliação para cada combinação de hiperparâmetros a ser testada. Cada teste usa um script de treinamento com valores de hiperparâmetros parametrizados para treinar um modelo e registra a métrica de desempenho de destino alcançada pelo modelo treinado.
Objetivos de aprendizagem
Neste módulo, irá saber como:
- Defina um espaço de pesquisa de hiperparâmetros.
- Configure a amostragem de hiperparâmetros.
- Selecione uma política de rescisão antecipada.
- Execute um trabalho de varredura.