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充满挑战的过程。 单个超参数的变化可以极大地改变模型的效果，当您有超过 40 个超参数时，您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是使用网格或随机框架来识别它们。 在此，尼克·谢尔顿带领我们克服了这两种方法的陷阱，并为我们提供了一个新的解决方案：空间填充实验设计。 他使用 JMP 脚本语言 (JSL) 直接调用 Python，在同一模型的 30 次迭代过程中一次测试多个超参数，以快速识别 Python 的理想超参数。 任何机器学习程序员都应该使用它，这确实是一个节省时间，而且我敢说，可以节省头痛的工具。
图1。 仅更改单个参数时给定机器学习算法的准确性凸显了优化超参数选择的必要性。
图 2.JMP 的 Surface Profiler 可实现最佳超参数设置的 3D 表示
优化机器学习超参数是一个重要且有时充满挑战的过程。 单个超参数的变化可以极大地改变模型的效果，当您有超过 40 个超参数时，您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是使用网格或随机框架来识别它们。 在此，尼克·谢尔顿带领我们克服了这两种方法的陷阱，并为我们提供了一个新的解决方案：空间填充实验设计。 他使用 JMP 脚本语言 (JSL) 直接调用 Python，在同一模型的 30 次迭代过程中一次测试多个超参数，以快速识别 Python 的理想超参数。 任何机器学习程序员都应该使用它，这确实是一个节省时间，而且我敢说，可以节省头痛的工具。
