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.

Till exempel använder algoritmen logistisk regression en regulariseringshastighet hyperparameter för att motverka överanpassning; dessutom använder djupinlärningstekniker för konvolutionella neurala nätverk (CNN) hyperparametrar som inlärningshastighet för att styra hur vikter justeras under träning och batchstorlek för att avgöra hur många dataobjekt som ingår i varje träningsomgång.

Not

Maskininlärning är ett akademiskt område med sin egen terminologi. Dataexperter refererar till de värden som bestäms av 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 över olika hyperparametervärden som resulterar i olika modeller genom att utföra justering av hyperparametrar.

hyperparameterjustering uppnås 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 bästa 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 får du lära dig att:

  • Definiera ett hyperparametersökutrymme.
  • Konfigurera hyperparametersampling (provtagning av hyperparametrar).
  • Välj en princip för tidig uppsägning.
  • Kör ett svepjobb.