Optymalizacja hiperparametrów

Modele uczenia maszynowego wymagają różnych ograniczeń, wag lub współczynników uczenia, aby uogólniać różne wzorce danych. Te miary nazywane są hiperparametrami i służą do kontrolowania procesu uczenia. Hiperparametry muszą zostać dostrojone, aby model mógł optymalnie rozwiązać problem uczenia maszynowego.

Domyślnie Qlik Predict używa wstępnie zdefiniowanego zestawu wartości hiperparametrów dla każdego algorytmu używanego w trenowaniu modelu. Są to standardowe, zoptymalizowane wartości, które są ogólnie akceptowane przez społeczność zajmującą się analizą danych (data science). Najlepiej działająca kombinacja wartości hiperparametrów jest wybierana automatycznie.

Jednak w niektórych przypadkach może być konieczne dostrojenie modelu w celu uzyskania optymalnych wyników predykcyjnych. Można to zrobić za pomocą optymalizacji hiperparametrów (HPO).

Qlik Predict uruchamia optymalizację hiperparametrów tylko dla najlepszego algorytmu z zestawu wybranego w konfiguracji eksperymentu. Najpierw uruchamiane jest wyszukiwanie losowe, a następnie przeszukiwanie siatki, aby znaleźć najlepsze hiperparametry dla algorytmu.

Przed użyciem optymalizacji hiperparametrów należy wziąć pod uwagę kilka ważnych kwestii:

• Nie używaj optymalizacji hiperparametrów podczas pierwszego trenowania modelu. Jest ona przeznaczona do użycia po wytrenowaniu modelu i uzyskaniu zadowalających wyników. Proces ten często wymaga wielokrotnego udoskonalania i ponownego trenowania.

• Optymalizacja hiperparametrów znacznie wydłuża czas. Jeśli proces trenowania modelu trwa pięć minut przy użyciu standardowych, wstępnie zdefiniowanych wartości hiperparametrów, trenowanie tego samego modelu z włączoną optymalizacją hiperparametrów może zająć wiele godzin.

Algorytmy używane w optymalizacji hiperparametrów

Optymalizacja hiperparametrów jest ograniczona do określonych algorytmów i typów modeli. Została ona specjalnie zaprojektowana do współpracy z następującymi typami modeli i algorytmami:

• Modele klasyfikacji binarnej

  • Klasyfikacja CatBoost

  • Regresja Elastic Net

  • Regresja Lasso

  • Klasyfikacja LightGBM

  • Regresja logistyczna

  • Klasyfikacja Random Forest

  • Klasyfikacja XGBoost

• Modele regresji

  • Regresja CatBoost

  • Regresja LightGBM

  • Regresja Random Forest

  • Regresja XGBoost

Włączanie optymalizacji hiperparametrów

Wykonaj następujące czynności:

1. W eksperymencie kliknij Wyświetl konfigurację.

   Otworzy się panel konfiguracji eksperymentu.

2. W razie potrzeby kliknij Utwórz nową wersję, aby skonfigurować następną wersję.

3. W panelu rozwiń Optymalizacja modelu.

4. Przełącz z Inteligentna na Ręczna.

   Optymalizacja hiperparametrów nie jest dostępna w przypadku inteligentnej optymalizacji modelu.

5. Zaznacz pole wyboru Optymalizacja hiperparametrów.

Wyświetlanie wartości hiperparametrów

Wyświetl wartości hiperparametrów na karcie Porównaj podczas szczegółowej analizy modelu. Więcej informacji zawiera temat Szczegółowa analiza modelu.