介紹
在機器學習中，模型被訓練，根據訓練數據中已知標籤與特徵之間的相關性，來預測新數據的未知標籤。 視所使用的演算法而定，您可能需要指定 超參數 來設定模型定型方式。
例如，羅吉斯回歸 演算法會使用 正規化速率 超參數來對抗過度學習：和卷積神經網路的深度學習技術（CNN）會使用超參數，例如 學習速率 來控制定型期間調整權數的方式，以及 批次大小 來判斷每個定型批次中包含多少個數據項。
注意
Machine Learning 是一個學術領域，具有自己的特定術語。 數據科學家將定型特徵所決定的值稱為 參數，因此用來設定定型行為的值需要不同的詞彙，但 不是衍生自定型數據的，因此這個詞彙 超參數。
超參數值的選擇可能會大幅影響產生的模型，因此請務必為特定數據和預測效能目標選取最佳的可能值。
微調超參數
超參數微調 是透過使用相同演算法和定型數據，但不同的超參數值來定型多個模型來完成。 接著會評估每個定型回合產生的模型，以判斷您要優化效能的計量（例如，精確度），並選取最佳效能模型。
在 Azure Machine Learning 中，您可以將腳本提交為 超參數搜尋作業，以微調超參數。 掃掠作業將針對需要測試的每個超參數組合執行 試驗。 每個試用版都會使用具有參數化超參數值的定型腳本來定型模型，並記錄定型模型達成的目標效能計量。
學習目標
在本課程模組中，您將瞭解如何：
- 定義超參數搜尋空間。
- 設定超參數取樣。
- 選取提早終止原則。
- 執行掃掠作業。