调整超参数对于优化机器学习模型至关重要，但该过程计算量大且复杂。传统的网格、随机搜索甚至贝叶斯优化方法经常会错过超参数空间的关键区域，从而导致模型不理想。
在本次演讲中，我们将展示我们开发的一款 JMP 插件，该插件使用空间填充 DOE 来更有效地应对超参数调整挑战。使用空间填充 DOE 可确保在整个参数空间中更均匀地采样超参数组合，从而减少所需评估的次数，同时增加找到最佳设置的可能性。
本次演讲还重点介绍了 JMP 18 中与 Python 的集成改进，以及如何利用 JMP 中的 DOE 等功能为数据科学家带来好处。本次演讲将先进的统计技术与实用、易用的工具相结合，以提高不同应用中的模型性能。
单击此处查看演示文稿。
单击此处下载 Torch Companion 插件。
