Fecha original de la sesión: 3 de marzo de 2022
Temas cubiertos: DOE, llenado de espacios, Python, aprendizaje automático
Orador: Nick Shelton, Gerente de Ingeniería de Sistemas
La optimización de los hiperparámetros de aprendizaje automático es un proceso importante y, a veces, complicado. La variación en un solo hiperparámetro puede alterar en gran medida la eficacia de un modelo y cuando tiene más de 40 hiperparámetros, ¿cómo puede saber cuál es la configuración ideal? Históricamente, el procedimiento para identificar las configuraciones óptimas ha consistido en usar una cuadrícula o un marco aleatorio para identificarlas. En este documento, Nick Shelton nos guía a través de las trampas de ambas metodologías y nos ofrece una nueva solución: diseño de experimento que llena el espacio. Utiliza JMP Scripting Language (JSL) para llamar directamente a python para probar múltiples hiperparámetros a la vez en el transcurso de 30 iteraciones del mismo modelo para identificar rápidamente los hiperparámetros ideales para Python. Verdaderamente una herramienta para ahorrar tiempo y, me atrevo a decir, un dolor de cabeza que cualquier programador de aprendizaje automático debería emplear.
Figura 1. La precisión de un algoritmo de aprendizaje automático determinado al cambiar solo un único parámetro destaca la necesidad de optimizar la selección de hiperparámetros.
Figura 2.Surface Profiler de JMP permite la representación 3D de la configuración óptima de hiperparámetros
La optimización de los hiperparámetros de aprendizaje automático es un proceso importante y, a veces, complicado. La variación en un solo hiperparámetro puede alterar en gran medida la eficacia de un modelo y cuando tiene más de 40 hiperparámetros, ¿cómo puede saber cuál es la configuración ideal? Históricamente, el procedimiento para identificar las configuraciones óptimas ha consistido en usar una cuadrícula o un marco aleatorio para identificarlas. En este documento, Nick Shelton nos guía a través de las trampas de ambas metodologías y nos ofrece una nueva solución: diseño de experimento que llena el espacio. Utiliza JMP Scripting Language (JSL) para llamar directamente a python para probar múltiples hiperparámetros a la vez en el transcurso de 30 iteraciones del mismo modelo para identificar rápidamente los hiperparámetros ideales para Python. Verdaderamente una herramienta para ahorrar tiempo y, me atrevo a decir, un dolor de cabeza que cualquier programador de aprendizaje automático debería emplear.
