上游中的 JMP 7：使用 JMP 优化 Python 机器学习超参数原定会议日期：2022 年 3 月 3 日
涵盖的主题：DOE、空间填充、Python、机器学习
演讲者：Nick Shelton，系统工程师经理
优化机器学习超参数是一个重要且有时令人担忧的过程。 单个超参数的变化可以极大地改变模型的效果，当你有超过 40 个超参数时，你怎么可能知道理想的设置？ 从历史上看，识别最佳设置的过程一直围绕着使用网格或随机框架来识别它们。 在此，Nick Shelton 向我们介绍了这两种方法的缺陷，并为我们提供了一个新的解决方案：实验的空间填充设计。 他使用 JMP 脚本语言 (JSL) 在同一模型的 30 次迭代过程中直接调用 python 一次测试多个超参数，以快速确定 Python 的理想超参数。 真正节省时间，我敢说，任何机器学习程序员都应该使用的省时省力的工具。
图1。 给定机器学习算法在仅更改单个参数时的准确性突出了优化超参数选择的必要性。
图 2。JMP 的 Surface Profiler 支持最佳超参数设置的 3D 表示
优化机器学习超参数是一个重要且有时令人担忧的过程。 单个超参数的变化可以极大地改变模型的效果，当你有超过 40 个超参数时，你怎么可能知道理想的设置？ 从历史上看，识别最佳设置的过程一直围绕着使用网格或随机框架来识别它们。 在此，Nick Shelton 向我们介绍了这两种方法的缺陷，并为我们提供了一个新的解决方案：实验的空间填充设计。 他使用 JMP 脚本语言 (JSL) 在同一模型的 30 次迭代过程中直接调用 python 一次测试多个超参数，以快速确定 Python 的理想超参数。 真正节省时间，我敢说，任何机器学习程序员都应该使用的省时省力的工具。
