Die Feinabstimmung von Hyperparametern ist für die Optimierung von Machine-Learning-Modellen entscheidend, kann jedoch rechenintensiv und komplex sein. Herkömmliche Raster-, Zufallssuch- oder sogar Bayes-Optimierungsmethoden übersehen oft kritische Bereiche des Hyperparameterraums, was zu suboptimalen Modellen führt.
In diesem Vortrag zeigen wir ein von uns entwickeltes JMP-Add-In, das raumfüllende DOE nutzt, um die Herausforderung der Hyperparameter-Optimierung effizienter zu bewältigen. Die Verwendung von raumfüllender DOE stellt sicher, dass Hyperparameterkombinationen gleichmäßiger über den gesamten Parameterraum verteilt werden. Dadurch reduziert sich die Anzahl der erforderlichen Auswertungen und die Wahrscheinlichkeit, optimale Einstellungen zu finden, steigt.
Dieser Vortrag beleuchtet außerdem die verbesserte Integration mit Python in JMP 18 und zeigt, wie Datenwissenschaftler von der Nutzung von Funktionen wie DOE in JMP profitieren können. Der Vortrag kombiniert fortschrittliche statistische Techniken mit praktischen, leicht zugänglichen Tools, um die Modellleistung in verschiedenen Anwendungen zu verbessern.
Klicken Sie hier, um die Präsentation anzuzeigen.
Klicken Sie hier , um das Torch Companion-Add-In herunterzuladen.
