調整超參數對於優化機器學習模型至關重要，但該過程在計算上可能很昂貴且複雜。傳統的網格、隨機搜尋甚至貝葉斯最佳化方法往往會錯過超參數空間的關鍵區域，從而導致模型不理想。
在本次演講中，我們展示了我們開發的 JMP 插件，它使用空間填充 DOE 更有效地應對超參數調整挑戰。使用空間填充 DOE 可確保超參數組合在整個參數空間中更均勻地取樣，從而減少所需評估的次數，同時增加找到最佳設定的可能性。
本次演講還重點介紹了 JMP 18 中與 Python 的改進集成，以及如何利用 JMP 內部的 DOE 等功能使資料科學家受益。本次演講將先進的統計技術與實用、易用的工具結合，以增強模型在不同應用中的表現。
按一下此處查看簡報。
按此下載 Torch Companion 外掛程式。
