Hiper parametre optimizasyonu

Makine öğrenimi modelleri, farklı veri örüntülerini genelleştirmek için farklı kısıtlamalar, ağırlıklar ve öğrenme oranları gerektirir. Bu ölçütler, hiper parametre olarak adlandırılır ve öğrenme sürecini kontrol etmek için kullanılır. Hiper parametrelerin, modelin, makine öğrenimi problemini optimal düzeyde çözebileceği şekilde ayarlanmış olması gerekir.

AutoML varsayılan olarak, model eğitiminde kullanılan her bir algoritma için önceden tanımlanmış bir dizi hiper parametre değeri kullanır. Bunlar veri bilimi topluluğunun geneli tarafından kabul edilen optimize edilmiş standart değerlerdir. Birlikte kullanıldığında en iyi performansı gösteren hiper parametre değerleri otomatik olarak seçilir.

Ancak bazı durumlarda en iyi tahmin sonuçlarını elde etmek için modelde hassas ayarlar yapmak isteyebilirsiniz. Bunu, hiper parametre optimizasyonunu (HPO) kullanarak yapabilirsiniz.

AutoML, hiper parametre optimizasyonunu yalnızca deney yapılandırmasında seçtiğiniz kümenin en iyi algoritması için çalıştırır. İlk olarak rastgele bir arama çalıştırılır ve ardından algoritma için en iyi hiper parametreleri bulmak için bir ızgara araması yapılır.

Hiper parametre optimizasyonunu kullanmadan önce göz önünde bulundurmanız gereken bazı önemli noktalar vardır:

• Modeli ilk kez eğitirken hiper parametre optimizasyonu kullanmayın. Bu seçenek, modelinizi eğittikten ve sonuçlardan memnun olduktan sonra kullanılmak üzere tasarlanmıştır. Süreç genellikle tekrarlanan iyileştirme ve yeniden eğitim gerektirir.

• Hiper parametre optimizasyonu önemli ölçüde zaman gerektirir. Modelinizin, önceden tanımlanmış standart hiper parametre değerleri ile eğitilmesi beş dakika sürüyorsa aynı modelin hiper parametre optimizasyonu seçeneği etkinleştirilerek eğitilmesi saatler sürebilir.

Hiper parametre optimizasyonunda kullanılan algoritmalar

Hiper parametre optimizasyonu belirli algoritmalar ve model türleri ile sınırlıdır. Aşağıdaki model türleri ve algoritmaları ile çalışması için özel olarak tasarlanmıştır:

• İkili Sınıflandırma modelleri

  • CatBoost Sınıflandırması

  • Elastik Net Regresyon

  • Lasso Regresyon

  • LightGBM Sınıflandırması

  • Lojistik Regresyon

  • Rastgele Orman Sınıflandırması

  • XGBoost Sınıflandırması

• Regresyon modelleri

  • CatBoost Regresyonu

  • LightGBM Regresyonu

  • Rastgele Orman Regresyonu

  • XGBoost Regresyonu

Hiper parametre optimizasyonunu etkinleştirme

Aşağıdakileri yapın:

1. Bir deneyde Yapılandırmayı görüntüle'ye tıklayın.

   Deney yapılandırması paneli açılır.

2. Gerekirse sonraki sürümü yapılandırmak için Yeni sürüm'e tıklayın.

3. Panelde Model optimizasyonu'nu genişletin.

4. Akıllı'dan Manuel'e geçiş yapın.

   Hiperparametre optimizasyonu, akıllı model optimizasyonu ile kullanılamaz.

5. Hiperparametre optimizasyonu onay kutusuna tıklayın.

Hiper parametre değerlerini görüntüleme

Ayrıntılı model analizi sırasında hiperparametre değerlerini Karşılaştır sekmesinde görüntüleyin. Daha fazla bilgi için bk. Ayrıntılı model analizi yapma.