元のセッション日: 2022 年 3 月 3 日
対象トピック: DOE、スペース フィリング、Python、機械学習
スピーカー: Nick Shelton、システム エンジニア マネージャー
機械学習のハイパーパラメーターを最適化することは重要であり、時には骨の折れるプロセスです。 1 つのハイパーパラメーターの変動がモデルの有効性を大きく変える可能性があります。ハイパーパラメーターが 40 を超える場合、どのようにして理想的な設定を知ることができるでしょうか? 歴史的に、最適な設定を特定する手順は、グリッドまたはランダム フレームワークのいずれかを使用してそれらを特定してきました。 ここで、Nick Shelton は、両方の方法論の落とし穴を説明し、新しい解決策を提供します: Space-filling Design of Experiment. 彼は JMP Scripting Language (JSL) を使用して Python を直接呼び出し、同じモデルを 30 回繰り返して複数のハイパーパラメータを一度にテストし、Python の理想的なハイパーパラメータを迅速に特定しています。 本当に時間を節約し、あえて言えば、機械学習プログラマーが採用すべき頭痛の種を減らすツールです。
図1。 単一のパラメーターのみを変更した場合の特定の機械学習アルゴリズムの精度は、ハイパーパラメーターの選択を最適化する必要性を強調しています。
図 2.JMP の Surface Profiler は、最適なハイパーパラメータ設定の 3D 表現を可能にします
