La messa a punto degli iperparametri è fondamentale per ottimizzare i modelli di apprendimento automatico, ma il processo può essere computazionalmente costoso e complesso. I metodi tradizionali di ottimizzazione a griglia, a ricerca casuale o persino bayesiana spesso perdono aree critiche dello spazio degli iperparametri, portando a modelli subottimali.
In questa presentazione, mostriamo un componente aggiuntivo JMP da noi sviluppato che utilizza DOE di riempimento dello spazio per affrontare in modo più efficiente la sfida dell'ottimizzazione degli iperparametri. L'utilizzo di DOE di riempimento dello spazio garantisce che le combinazioni di iperparametri siano campionate in modo più uniforme nell'intero spazio dei parametri, riducendo così il numero di valutazioni richieste e aumentando al contempo la probabilità di trovare impostazioni ottimali.
Questo intervento evidenzia anche la migliore integrazione con Python trovata in JMP 18 e come sfruttare capacità come DOE all'interno di JMP possa essere utile per gli scienziati dei dati. Questo intervento combina tecniche statistiche avanzate con strumenti pratici e accessibili per migliorare le prestazioni del modello in diverse applicazioni.
Clicca qui per vedere la presentazione.
Clicca qui per scaricare il componente aggiuntivo Torch Companion.
