Hyperparameteroptimering

Maskininlärningsmodeller kräver olika begränsningar, vikter eller inlärningshastigheter för att generalisera olika datamönster. Dessa mått kallas hyperparametrar och används för att styra inlärningsprocessen. Hyperparametrarna måste finjusteras så att modellen kan lösa maskininlärningsproblemet på ett optimalt sätt.

Som standard använder Qlik Predict en fördefinierad uppsättning hyperparametervärden för varje algoritm som används i modellträningen. Dessa är de optimerade standardvärden som allmänt accepteras inom datavetenskapen. Den kombination av hyperparametervärden som presterar bäst väljs automatiskt.

I vissa fall kan du dock vilja finjustera modellen för att få optimala prediktiva resultat. Detta kan göras med hjälp av hyperparameteroptimering (HPO).

Qlik Predict kör hyperparameteroptimering endast för den bästa algoritmen i den uppsättning du valde i experimentkonfigurationen. Först körs en slumpmässig sökning och sedan en rutnätssökning för att hitta de bästa hyperparametrarna för algoritmen.

Det finns några viktiga saker att tänka på innan du använder hyperparameteroptimering:

• Använd inte hyperparameteroptimering första gången du tränar en modell. Den är utformad för att användas efter att du har tränat din modell och är nöjd med resultaten. Den processen kräver ofta upprepad förfining och omträning.

• Hyperparameteroptimering tar betydligt längre tid. Om träningsprocessen för din modell tar fem minuter med de fördefinierade standardvärdena för hyperparametrar, kan det ta timmar att träna samma modell med hyperparameteroptimering aktiverad.

Algoritmer som används vid hyperparameteroptimering

Hyperparameteroptimering är begränsad till specifika algoritmer och modelltyper. Den är särskilt utformad för att fungera med följande modelltyper och algoritmer:

• Binära klassificeringsmodeller

  • CatBoost-klassificering

  • Elastic Net-regression

  • Lasso-regression

  • LightGBM-klassificering

  • Logistisk regression

  • Random Forest-klassificering

  • XGBoost-klassificering

• Regressionsmodeller

  • CatBoost-regression

  • LightGBM-regression

  • Random Forest-regression

  • XGBoost-regression

Aktivera hyperparameteroptimering

Gör följande:

1. I ett experiment klickar du på Visa konfiguration.

   Panelen för experimentkonfiguration öppnas.

2. Klicka vid behov på Skapa ny version för att konfigurera nästa version.

3. I panelen expanderar du Modelloptimering.

4. Växla från Intelligent till Manuell.

   Hyperparameteroptimering är inte tillgängligt med intelligent modelloptimering.

5. Markera kryssrutan för Hyperparameteroptimering.

Visa hyperparametervärden

Visa hyperparametervärden på fliken Jämför under detaljerad modellanalys. Mer information finns i Utföra detaljerad modellanalys.