Introduktion

  • 3 minuter

Inom maskininlärning tränas modeller att förutsäga okända etiketter för nya data baserat på korrelationer mellan kända etiketter och funktioner som finns i träningsdata. Beroende på vilken algoritm som används kan du behöva ange hyperparametrar för att konfigurera hur modellen tränas.

Den logistiska regressionsalgoritmen använder till exempel en hyperparameter för regulariseringshastighet för att motverka överanpassning. Och djupinlärningstekniker för convolutional neurala nätverk (CNN) använder hyperparametrar som inlärningshastighet för att styra hur vikter justeras under träning och batchstorlek för att avgöra hur många dataobjekt som ingår i varje träningsbatch.

Kommentar

Maskininlärning är ett akademiskt område med sin egen terminologi. Dataexperter refererar till de värden som bestäms från träningsfunktionerna som parametrar, så en annan term krävs för värden som används för att konfigurera träningsbeteende men som inte härleds från träningsdata – därav termen hyperparameter.

Valet av hyperparametervärden kan avsevärt påverka den resulterande modellen, vilket gör det viktigt att välja bästa möjliga värden för dina specifika data och förutsägande prestandamål.

Justera hyperparametrar

Diagram of different hyperparameter values resulting in different models by performing hyperparameter tuning.

Hyperparameterjustering utförs genom träning av flera modeller, med samma algoritm och träningsdata men olika hyperparametervärden. Den resulterande modellen från varje träningskörning utvärderas sedan för att fastställa det prestandamått som du vill optimera (till exempel noggrannhet) och modellen med bäst prestanda väljs.

I Azure Machine Learning kan du finjustera hyperparametrar genom att skicka ett skript som ett svepjobb. Ett svepjobb kör en utvärderingsversion för varje kombination av hyperparametrar som ska testas. Varje utvärdering använder ett träningsskript med parameteriserade hyperparametervärden för att träna en modell och loggar målprestandamåttet som uppnås av den tränade modellen.

Utbildningsmål

I den här modulen kommer du att:

  • Definiera ett hyperparametersökutrymme.
  • Konfigurera hyperparametersampling.
  • Välj en princip för tidig uppsägning.
  • Kör ett svepjobb.