上游中的 JMP 7：使用 JMP 優化 Python 機器學習超參數原會議日期：2022 年 3 月 3 日
涵蓋的主題：DOE、空間填充、Python、機器學習
演講者：Nick Shelton，系統工程師經理
優化機器學習超參數是一個重要且有時令人擔憂的過程。 單個超參數的變化可以極大地改變模型的效果，當你有超過 40 個超參數時，你怎麼可能知道理想的設置？ 從歷史上看，識別最佳設置的過程一直是使用網格或隨機框架來識別它們。 在這裡，Nick Shelton 帶領我們了解了這兩種方法的缺陷，並為我們提供了一個新的解決方案：實驗的空間填充設計。 他使用 JMP 腳本語言 (JSL) 直接調用 python，在同一模型的 30 次迭代過程中一次測試多個超參數，以快速識別 Python 的理想超參數。 真正節省時間，我敢說，任何機器學習程序員都應該使用的節省頭痛的工具。
圖1。 僅更改單個參數時給定機器學習算法的準確性突出了優化超參數選擇的必要性。
圖 2。JMP 的 Surface Profiler 允許對最佳超參數設置進行 3D 表示
優化機器學習超參數是一個重要且有時令人擔憂的過程。 單個超參數的變化可以極大地改變模型的效果，當你有超過 40 個超參數時，你怎麼可能知道理想的設置？ 從歷史上看，識別最佳設置的過程一直是使用網格或隨機框架來識別它們。 在這裡，Nick Shelton 帶領我們了解了這兩種方法的陷阱，並為我們提供了一個新的解決方案：實驗的空間填充設計。 他使用 JMP 腳本語言 (JSL) 直接調用 python，在同一模型的 30 次迭代過程中一次測試多個超參數，以快速識別 Python 的理想超參數。 真正節省時間，我敢說，任何機器學習程序員都應該使用的節省頭痛的工具。
