ハイパーパラメータの調整は機械学習モデルの最適化に不可欠ですが、そのプロセスは計算コストが高く複雑になる可能性があります。従来のグリッド、ランダム検索、さらにはベイズ最適化手法では、ハイパーパラメータ空間の重要な領域が見逃されることが多く、最適ではないモデルにつながります。
この講演では、空間充填 DOE を使用してハイパーパラメータ調整の課題に効率的に取り組む、私たちが開発した JMP アドインを紹介します。空間充填 DOE を使用すると、ハイパーパラメータの組み合わせがパラメータ空間全体にわたってより均等にサンプリングされるため、必要な評価回数が減り、最適な設定が見つかる可能性が高まります。
この講演では、JMP 18 で改善された Python との統合と、JMP 内で DOE などの機能を活用することがデータ サイエンティストにとってどのように役立つかについても説明します。この講演では、高度な統計手法と実用的で使いやすいツールを組み合わせて、さまざまなアプリケーションでモデルのパフォーマンスを強化します。
プレゼンテーションを見るにはここをクリックしてください。
Torch Companion アドインをダウンロードするには、 ここをクリックしてください。
