Ursprünglicher Sitzungstermin: 3. März 2022
Behandelte Themen: DOE, Raumfüllung, Python, maschinelles Lernen
Sprecher: Nick Shelton, Systems Engineer Manager
Die Optimierung von Hyperparametern für maschinelles Lernen ist ein wichtiger und manchmal schwieriger Prozess. Die Variation eines einzelnen Hyperparameters kann die Wirksamkeit eines Modells stark verändern. Wenn Sie mehr als 40 Hyperparameter haben, wie können Sie dann die idealen Einstellungen ermitteln? In der Vergangenheit wurde bei der Ermittlung der optimalen Einstellungen entweder ein Raster oder ein Zufallsrahmen verwendet, um sie zu ermitteln. Hier führt uns Nick Shelton durch die Fallstricke beider Methoden und bietet uns eine neue Lösung: Raumfüllende Versuchsplanung. Er verwendet die JMP Scripting Language (JSL), um Python direkt aufzurufen, um mehrere Hyperparameter gleichzeitig über 30 Iterationen desselben Modells zu testen und so schnell die idealen Hyperparameter für Python zu identifizieren. Wirklich ein zeitsparendes und, wie ich sagen darf, Kopfschmerzen ersparendes Tool, das jeder Programmierer für maschinelles Lernen verwenden sollte.
Abbildung 1. Die Genauigkeit eines bestimmten Algorithmus für maschinelles Lernen bei der Änderung nur eines einzelnen Parameters unterstreicht die Notwendigkeit, die Auswahl der Hyperparameter zu optimieren.
Figur 2.Der Surface Profiler von JMP ermöglicht die 3D-Darstellung optimaler Hyperparametereinstellungen
Die Optimierung von Hyperparametern für maschinelles Lernen ist ein wichtiger und manchmal schwieriger Prozess. Die Variation eines einzelnen Hyperparameters kann die Wirksamkeit eines Modells stark verändern. Wenn Sie mehr als 40 Hyperparameter haben, wie können Sie dann die idealen Einstellungen ermitteln? In der Vergangenheit wurde bei der Ermittlung der optimalen Einstellungen entweder ein Raster oder ein Zufallsrahmen verwendet, um sie zu ermitteln. Hier führt uns Nick Shelton durch die Fallstricke beider Methoden und bietet uns eine neue Lösung: Raumfüllende Versuchsplanung. Er verwendet die JMP Scripting Language (JSL), um Python direkt aufzurufen, um mehrere Hyperparameter gleichzeitig über 30 Iterationen desselben Modells zu testen und so schnell die idealen Hyperparameter für Python zu identifizieren. Wirklich ein zeitsparendes und, wie ich sagen darf, Kopfschmerzen ersparendes Tool, das jeder Programmierer für maschinelles Lernen verwenden sollte.
