Hiperparametre optimizasyonu
Makine öğrenimi modelleri, farklı veri modellerini genelleştirmek için farklı kısıtlamalar, ağırlıklar veya öğrenme hızları gerektirir. Bu ölçümlere hiperparametreler adı verilir ve öğrenme sürecini kontrol etmek için kullanılırlar. Modelin makine öğrenimi problemini en iyi şekilde çözebilmesi için hiperparametrelerin ayarlanması gerekir.
Varsayılan olarak, Qlik Predict model eğitiminde kullanılan her algoritma için önceden tanımlanmış bir hiperparametre değerleri kümesi kullanır. Bunlar, veri bilimi topluluğu tarafından genel olarak kabul edilen standart, optimize edilmiş değerlerdir. En yüksek performans gösteren hiperparametre değerleri kombinasyonu otomatik olarak seçilir.
Ancak bazı durumlarda, en iyi tahmin sonuçlarını elde etmek için modelde ince ayar yapmak isteyebilirsiniz. Bu işlem, hiperparametre optimizasyonu (HPO) kullanılarak yapılabilir.
Qlik Predict, hiperparametre optimizasyonunu yalnızca deneme yapılandırmasında seçtiğiniz kümenin en iyi algoritması için çalıştırır. Algoritma için en iyi hiperparametreleri bulmak amacıyla önce rastgele bir arama, ardından bir kılavuz çizgi araması çalıştırılır.
Hiperparametre optimizasyonunu kullanmadan önce göz önünde bulundurulması gereken birkaç önemli nokta vardır:
-
Bir modeli ilk kez eğitirken hiperparametre optimizasyonunu kullanmayın. Bu özellik, modelinizi eğittikten ve sonuçlardan memnun kaldıktan sonra kullanılmak üzere tasarlanmıştır. Bu süreç genellikle tekrarlanan ince ayarlar ve yeniden eğitim gerektirir.
-
Hiperparametre optimizasyonu önemli ölçüde zaman ekler. Modelinizin eğitim süreci standart önceden tanımlanmış hiperparametre değerleri kullanılarak beş dakika sürüyorsa aynı modelin hiperparametre optimizasyonu etkinken eğitilmesi saatler sürebilir.
Hiperparametre optimizasyonunda kullanılan algoritmalar
Hiperparametre optimizasyonu belirli algoritmalar ve model türleri ile sınırlıdır. Özellikle aşağıdaki model türleri ve algoritmalarla çalışacak şekilde tasarlanmıştır:
-
İkili Sınıflandırma modelleri
-
CatBoost Sınıflandırması
-
Elastic Net Regresyonu
-
Lasso Regresyonu
-
LightGBM Sınıflandırması
-
Lojistik Regresyon
-
Random Forest Sınıflandırması
-
XGBoost Sınıflandırması
-
-
Regresyon modelleri
-
CatBoost Regresyonu
-
LightGBM Regresyonu
-
Random Forest Regresyonu
-
XGBoost Regresyonu
-
Hiperparametre optimizasyonunu etkinleştirme
Aşağıdakileri yapın:
-
Bir denemede, Yapılandırmayı görüntüle seçeneğine tıklayın.
Deneme yapılandırma paneli açılır.
-
Gerekirse sonraki sürümü yapılandırmak için Yeni sürüm oluştur seçeneğine tıklayın.
-
Panelde, Model optimizasyonu alanını genişletin.
-
Akıllı seçeneğinden Manuel seçeneğine geçiş yapın.
Hiperparametre optimizasyonu, akıllı model optimizasyonu ile kullanılamaz.
-
Hiperparametre optimizasyonu onay kutusunu seçin.
Hiperparametre değerlerini görüntüleme
Detaylı model analizi sırasında Karşılaştır sekmesinde hiperparametre değerlerini görüntüleyin. Daha fazla bilgi için bkz. Ayrıntılı model analizi yapma.