Hyperparameteroptimalisatie

Machine learning-modellen vereisen verschillende beperkingen, gewichten of leersnelheden om verschillende gegevenspatronen te generaliseren. Deze metingen worden hyperparameters genoemd en worden gebruikt om het leerproces te sturen. De hyperparameters moeten worden afgestemd, zodat het model het machine learning-probleem optimaal kan oplossen.

Standaard gebruikt Qlik Predict een vooraf gedefinieerde set hyperparameterwaarden voor elk algoritme dat wordt gebruikt bij de modeltraining. Dit zijn de standaard, geoptimaliseerde waarden die algemeen worden geaccepteerd door de data science-gemeenschap. De best presterende combinatie van hyperparameterwaarden wordt automatisch geselecteerd.

In sommige gevallen wilt u het model echter mogelijk fijner afstemmen voor optimale voorspellende resultaten. Dit kan worden gedaan met behulp van hyperparameteroptimalisatie (HPO).

Qlik Predict voert hyperparameteroptimalisatie alleen uit voor het beste algoritme van de set die u hebt geselecteerd in de experimentconfiguratie. Eerst wordt er een willekeurige zoekopdracht uitgevoerd en vervolgens een rasterzoekopdracht om de beste hyperparameters voor het algoritme te vinden.

Er zijn een paar belangrijke dingen waarmee u rekening moet houden voordat u hyperparameteroptimalisatie gebruikt:

• Gebruik hyperparameteroptimalisatie niet de eerste keer dat u een model traint. Het is ontworpen om te worden gebruikt nadat u uw model hebt getraind en tevreden bent met de resultaten. Dat proces vereist vaak herhaalde verfijning en hertraining.

• Hyperparameteroptimalisatie kost aanzienlijk meer tijd. Als het trainingsproces voor uw model vijf minuten duurt met de standaard vooraf gedefinieerde hyperparameterwaarden, kan het trainen van datzelfde model met ingeschakelde hyperparameteroptimalisatie uren duren.

Algoritmen die worden gebruikt bij hyperparameteroptimalisatie

Hyperparameteroptimalisatie is beperkt tot specifieke algoritmen en modeltypen. Het is specifiek ontworpen om te werken met de volgende modeltypen en algoritmen:

• Binaire classificatiemodellen

  • CatBoost-classificatie

  • Elastic Net-regressie

  • Lasso-regressie

  • LightGBM-classificatie

  • Logistische regressie

  • Random Forest-classificatie

  • XGBoost-classificatie

• Regressiemodellen

  • CatBoost-regressie

  • LightGBM-regressie

  • Random Forest-regressie

  • XGBoost-regressie

Hyperparameteroptimalisatie inschakelen

Doe het volgende:

1. Klik in een experiment op Configuratie bekijken.

   Het paneel voor de experimentconfiguratie wordt geopend.

2. Klik indien nodig op Nieuwe versie maken om de volgende versie te configureren.

3. Vouw in het paneel Modeloptimalisatie uit.

4. Schakel over van Intelligent naar Handmatig.

   Hyperparameteroptimalisatie is niet beschikbaar bij intelligente modeloptimalisatie.

5. Schakel het selectievakje voor Hyperparameteroptimalisatie in.

Hyperparameterwaarden bekijken

Bekijk hyperparameterwaarden op het tabblad Vergelijken tijdens een gedetailleerde modelanalyse. Raadpleeg voor meer informatie Gedetailleerde modelanalyse uitvoeren.