Data della sessione originaria: 3 marzo 2022
Argomenti trattati: DOE, riempimento dello spazio, Python, machine learning
Relatore: Nick Shelton, responsabile dell'ingegnere di sistema
L'ottimizzazione degli iperparametri del machine learning è un processo importante e talvolta complicato. La variazione di un singolo iperparametro può alterare notevolmente l'efficacia di un modello e quando si hanno più di 40 iperparametri, come è possibile conoscere le impostazioni ideali? Storicamente, la procedura per identificare le impostazioni ottimali utilizzava 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: la progettazione di esperimenti che riempiono lo spazio. Utilizza JMP Scripting Language (JSL) per chiamare direttamente Python per 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, mal di testa che qualsiasi programmatore di machine learning dovrebbe utilizzare.
Figura 1. La precisione di un determinato algoritmo di machine learning 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
