元のセッション日: 2022 年 3 月 3 日
取り上げられるトピック: DOE、空間充填、Python、機械学習
講演者: 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の最適化は重要ですが、時には困難を伴うプロセスです。 単一のハイパーパラメータの変動によりモデルの有効性が大きく変わる可能性があり、40 を超えるハイパーパラメータがある場合、どうやっ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 フレームワークを使用して特定されてきました。 ここでは、ニック・シェルトンが両方の方法論の落とし穴を説明し、空間充填実験計画法という新しい解決策を提供します。 彼は、JMP スクリプト言語 (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ました。 これは本当に時間を節約し、機械学習プログラマーが採用すべき頭痛の種を軽減するツールです。
図1。 単一のパラメーターのみを変更する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浮き彫りにします。
図2.JMP の Surface Profiler により、最適なハイパーパラメータ設定の 3D 表現が可能になります
