上游中的 JMP 7：使用 JMP 優化 Python 機器學習超參數原定會議日期：2022 年 3 月 3 日
涵蓋主題：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充滿挑戰的過程。 單一超參數的變化可以大幅改變模型的效果，當您有超過 40 個超參數時，您怎麼可能知道理想的設定？ 從歷史上看，識別最佳設定的過程一直是使用網格或隨機框架來識別它們。 在此，尼克謝爾頓帶領我們克服了這兩種方法的陷阱，並為我們提供了一個新的解決方案：空間填充實驗設計。 他使用 JMP 腳本語言 (JSL) 直接呼叫 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。 任何機器學習程式設計師都應該使用它，這確實是一個節省時間，而且我敢說，可以節省頭痛的工具。
圖1。 僅更改單一參數時給定機器學習演算法的準確性凸顯了優化超參數選擇的必要性。
圖 2.JMP 的 Surface Profiler 可實現最佳超參數設定的 3D 表示
優化機器學習超參數是一個重要且有時充滿挑戰的過程。 單一超參數的變化可以大幅改變模型的效果，當您有超過 40 個超參數時，您怎麼可能知道理想的設定？ 從歷史上看，識別最佳設定的過程一直是使用網格或隨機框架來識別它們。 在此，尼克謝爾頓帶領我們克服了這兩種方法的陷阱，並為我們提供了一個新的解決方案：空間填充實驗設計。 他使用 JMP 腳本語言 (JSL) 直接呼叫 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。 任何機器學習程式設計師都應該使用它，這確實是一個節省時間，而且我敢說，可以節省頭痛的工具。
