Публикации по теме 'hyperparameter-tuning'
Методы оптимизации гиперпараметров в Python: практическое руководство
Гиперпараметры играют решающую роль в производительности моделей машинного обучения. Это ручки и циферблаты, которые мы настраиваем в процессе обучения, чтобы контролировать поведение модели. В отличие от параметров модели, гиперпараметры не могут быть изучены во время обучения и должны быть установлены заранее. Однако выбор правильных гиперпараметров является сложной задачей из-за высокой размерности пространства гиперпараметров и высокой стоимости оценки модели. Вот тут-то и..
ПРОВЕРКА МОДЕЛИ-гиперпараметр
ПРОВЕРКА МОДЕЛИ-гиперпараметр
Проверка модели относится к процессу подтверждения того, что модель достигает намеченной цели, насколько эффективна наша модель.
1- Метод удержания
Удержание — это когда вы разделяете свой набор данных на «обучающий» и «тестовый» наборы. Учебный набор — это то, на чем обучается модель, а тестовый набор используется, чтобы увидеть, насколько хорошо эта модель работает с невидимыми данными. Обычное разделение при использовании метода задержки..
Интуитивно понятная оптимизация гиперпараметров: поиск по сетке, случайный поиск и байесовский поиск!
Гиперпараметры в алгоритме машинного обучения похожи на ручки в газовой плите. Точно так же, как мы регулируем ручку на газовой плите, пока не достигнем правильных настроек, чтобы наша еда была приготовлена так, как нам нравится. Точно так же мы настраиваем гиперпараметры алгоритма машинного обучения, чтобы он работал на оптимальном уровне и достиг желаемого уровня производительности.
Прежде чем я начну обсуждать алгоритмы поиска для оптимизации гиперпараметров, позвольте мне развенчать..
Настройка гиперпараметра ансамбля средневзвешенных значений в Python
Введение
В предыдущем блоге « Простой средневзвешенный ансамбль | Машинное обучение », я рассказал о том, как реализовать средневзвешенный ансамбль из нескольких классификаторов, чтобы получить различную информацию о данных и повысить производительность вашей модели. В этом блоге я сделаю еще один шаг, чтобы продемонстрировать, как выполнить настройку гиперпараметров вашего ансамбля в python.
Модель данных
Для данных вы можете найти их здесь:..
Как настроить гиперпараметры с помощью GridSearchCV
Полное пошаговое руководство по набору данных для прогнозирования сердечной недостаточности в Jupyter Notebooks
Введение
В последней статье мы выполнили логистическую регрессию для набора данных для прогнозирования сердечной недостаточности. Теперь мы попробуем улучшить модель с помощью GridSearchCV.
Обзор
В этой статье мы затронем следующие темы:
Настройка гиперпараметров Параметры модели и гиперпараметры модели Методы настройки гиперпараметров Как реализовать..
Практическое машинное обучение в Kaggle: Часть 2 — Обучение и настройка гиперпараметров
Набор данных: «Титаник» — машинное обучение после катастрофы
В этой статье мы исследуем практическую реализацию алгоритма дерева решений с использованием scikit-learn. Мы рассмотрим различные важные концепции, связанные с решением типичной задачи машинного обучения, включая обучение и настройку модели.
Если вы еще этого не сделали, обязательно ознакомьтесь с первой частью серии статей, где мы обсуждаем важные этапы предварительной обработки данных и выбора функций...
Оценка модели в машинном обучении
Что такое оценка модели?
Оценка модели — это процесс анализа производительности модели машинного обучения с использованием различных критериев оценки, а оценка модели имеет решающее значение для определения эффективности модели на ранних этапах исследования, а также для мониторинга модели.[1]
Сегодня я упомяну два популярных подхода к оценке моделей:
Тестирование на выносливость Перекрестная проверка
1. Тестирование удержания
Предположим, у меня есть набор данных, и я хочу..
Новые материалы
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..