Data della sessione originaria: 3 marzo 2022
Argomenti trattati: DOE, riempimento spazi, Python, machine learning
Relatore: Nick Shelton, responsabile dell'ingegnere di sistema
L'ottimizzazione degli iperparametri di machine learning è un processo importante e talvolta faticoso. La variazione in un singolo iperparametro può alterare notevolmente l'efficacia di un modello e quando hai più di 40 iperparametri, come puoi conoscere le impostazioni ideali? Storicamente, la procedura per identificare le impostazioni ottimali è stata utilizzata utilizzando una griglia o una struttura casuale per identificarle. Qui, Nick Shelton ci guida attraverso le insidie di entrambe le metodologie e ci offre una nuova soluzione: il design dell'esperimento che riempie lo spazio. Utilizza JSL (JMP Scripting Language) per chiamare direttamente Python e testare più iperparametri contemporaneamente nel corso di 30 iterazioni dello stesso modello per identificare rapidamente gli iperparametri ideali per Python. Davvero uno strumento che fa risparmiare tempo e, oserei dire, che fa risparmiare mal di testa a qualsiasi programmatore di machine learning che dovrebbe utilizzare.
Figura 1. L'accuratezza di un determinato algoritmo di apprendimento automatico quando si modifica un solo parametro evidenzia la necessità di ottimizzare la selezione degli iperparametri.
Figura 2.Surface Profiler di JMP consente la rappresentazione 3D delle impostazioni ottimali degli iperparametri
