Fecha de la sesión original: 3 de marzo de 2022
Temas cubiertos: DOE, relleno de espacio, Python, aprendizaje automático
Orador: Nick Shelton, Gerente de Ingeniería de Sistemas
La optimización de los hiperparámetros del 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 se tienen más de 40 hiperparámetros, ¿cómo es posible conocer la configuración ideal? Históricamente, el procedimiento para identificar las configuraciones óptimas consistía en utilizar una cuadrícula o un marco aleatorio para identificarlas. En este documento, Nick Shelton nos guía a través de los obstáculos de ambas metodologías y nos ofrece una nueva solución: diseño de experimentos 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. Realmente es una herramienta que ahorra tiempo y, me atrevo a decir, que ahorra dolores de cabeza que cualquier programador de aprendizaje automático debería emplear.
Figura 1. La precisión de un algoritmo de aprendizaje automático determinado cuando se cambia solo un parámetro resalta la necesidad de optimizar la selección de hiperparámetros.
Figura 2.Surface Profiler de JMP permite la representación 3D de configuraciones óptimas de hiperparámetros
La optimización de los hiperparámetros del 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 se tienen más de 40 hiperparámetros, ¿cómo es posible conocer la configuración ideal? Históricamente, el procedimiento para identificar las configuraciones óptimas consistía en utilizar una cuadrícula o un marco aleatorio para identificarlas. En este documento, Nick Shelton nos guía a través de los obstáculos de ambas metodologías y nos ofrece una nueva solución: diseño de experimentos 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. Realmente es una herramienta que ahorra tiempo y, me atrevo a decir, que ahorra dolores de cabeza que cualquier programador de aprendizaje automático debería emplear.
