Otimização de hiperparâmetros

Os modelos de aprendizado de máquina exigem diferentes restrições, pesos ou taxas de aprendizado para generalizar diferentes padrões de dados. Essas medidas são chamadas de hiperparâmetros e são usadas para controlar o processo de aprendizagem. Os hiperparâmetros precisam ser ajustados para que o modelo possa resolver o problema de aprendizado de máquina de maneira ideal.

Por padrão, o AutoML usa um conjunto predefinido de valores de hiperparâmetros para cada algoritmo usado no treinamento do modelo. Esses são os valores otimizados padrão geralmente aceitos pela comunidade de ciência de dados. A combinação de valores de hiperparâmetros de melhor desempenho é selecionada automaticamente.

No entanto, em alguns casos, você pode ajustar o modelo para resultados preditivos ideais. Isso pode ser feito usando a otimização de hiperparâmetros (HPO).

O AutoML executa a otimização de hiperparâmetros apenas para o melhor algoritmo do conjunto selecionado na configuração do experimento. Primeiro, uma pesquisa aleatória é executada e, em seguida, uma pesquisa em grade para encontrar os melhores hiperparâmetros para o algoritmo.

Há algumas coisas importantes a considerar antes de usar a otimização de hiperparâmetros:

• Não use a otimização de hiperparâmetros na primeira vez que treinar um modelo. Ela foi pensada para ser usada depois que você treinou seu modelo e está satisfeito com os resultados. Esse processo geralmente requer refinamento e retreinamento repetidos.

• A otimização de hiperparâmetros adiciona um tempo considerável. Se o processo de treinamento para seu modelo levar cinco minutos usando os valores de hiperparâmetro padrão predefinidos, o treinamento desse mesmo modelo com a otimização de hiperparâmetro habilitada poderá levar horas.

Algoritmos usados na otimização de hiperparâmetros

A otimização de hiperparâmetros é limitada a algoritmos e tipos de modelo específicos. Ela foi pensada especificamente para funcionar com os seguintes tipos de modelo e algoritmos:

• Modelos de classificação binária

  • Classificação Catboost

  • Regressão de rede elástica

  • Regressão lasso

  • Classificação do LightGBM

  • Regressão logística

  • Classificação por floresta aleatória

  • Classificação XGBoost

• Modelos de regressão

  • Regressão Catboost

  • Regressão do LightGBM

  • Regressão por floresta aleatória

  • Regressão XGBoost

Habilitando a otimização de hiperparâmetros

Habilite a otimização de hiperparâmetros no painel Configuração do experimento em Otimização do modelo.

Visualizando os valores de hiperparâmetros

Para visualizar os valores de hiperparâmetros usados para um modelo, clique em na coluna Hiperparâmetros na tabela Métricas do modelo.