超参数优化

机器学习模型需要不同的约束、权重或学习率来概括不同的数据模式。这些度量称为超参数，用于控制学习过程。需要调整超参数，以便模型能够最优地解决机器学习问题。

默认情况下，AutoML 为模型训练中使用的每个算法使用一组预定义的超参数值。这些是数据科学界普遍接受的标准优化值。自动选择超参数值的最高性能组合。

然而，在某些情况下，您可能需要微调模型以获得最佳预测结果。这可以使用超参数优化 (HPO) 来实现。

AutoML 仅为您在实验配置中选择的集合的最佳算法运行超参数优化。首先，运行随机搜索，然后进行网格搜索，以找到算法的最佳超参数。

在使用超参数优化之前，需要考虑一些重要事项：

• 第一次训练模型时不要使用超参数优化。它的设计目的是在您训练完模型并对结果满意后使用。这一过程往往需要反复改进和再训练。

• 超参数优化增加了大量时间。如果使用标准预定义的超参数值对模型的训练过程需要五分钟，则启用超参数优化的同一模型的训练可能需要数小时。

超参数优化中使用的算法

超参数优化仅限于特定的算法和模型类型。它专门设计用于以下模型类型和算法：

• 二进制分类模型

  • Catboost 分类

  • 弹性网回归

  • 套索回归

  • LightGBM 分类

  • 逻辑回归

  • 随机森林分类

  • XGBoost 分类

• 回归模型

  • Catboost 回归

  • LightGBM 回归

  • 随机森林回归

  • XGBoost 回归

启用超参数优化

您可以在模型优化下的实验配置窗格中启用超参数优化。

查看超参数值

要查看用于模型的超参数值，请单击模型度量表中超参数列内的 。