원래 세션 날짜: 2022년 3월 3일
다루는 주제: DOE, 공간 채우기, Python, 기계 학습
발표자: Nick Shelton, 시스템 엔지니어 관리자
머신 러닝 하이퍼파라미터를 최적화하는 것은 중요하고 때로는 힘든 과정입니다. 단일 하이퍼파라미터의 변화는 모델의 효능을 크게 바꿀 수 있으며 40개 이상의 하이퍼파라미터가 있는 경우 이상적인 설정을 어떻게 알 수 있습니까? 역사적으로 최적의 설정을 식별하는 절차는 이를 식별하기 위해 그리드 또는 무작위 프레임워크를 사용하는 것이었습니다. 여기에서 Nick Shelton은 두 가지 방법론의 함정을 안내하고 새로운 솔루션인 Space-filling Design of Experiment를 제공합니다. 그는 JSL(JMP 스크립팅 언어)을 사용하여 Python에 직접 호출하여 동일한 모델의 30회 반복 과정에서 한 번에 여러 하이퍼파라미터를 테스트하여 Python에 이상적인 하이퍼파라미터를 신속하게 식별합니다. 진정으로 시간을 절약하고 감히 말하건대 모든 기계 학습 프로그래머가 사용해야 하는 골칫거리 절약 도구입니다.
그림 1. 단일 매개변수만 변경할 때 주어진 기계 학습 알고리즘의 정확도는 하이퍼 매개변수 선택을 최적화해야 할 필요성을 강조합니다.
그림 2.JMP의 표면 프로파일러를 사용하면 최적의 하이퍼파라미터 설정을 3D로 표현할 수 있습니다.
