超参数优化

上次更新日期：2026/9/30

机器学习模型需要不同的约束、权重或学习率来泛化不同的数据模式。这些度量被称为超参数，用于控制学习过程。需要对超参数进行微调，以便模型能够以最佳方式解决机器学习问题。

默认情况下，Qlik Predict 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。系统会自动选择表现最佳的超参数值组合。

然而，在某些情况下，您可能希望对模型进行微调以获得最佳预测结果。这可以使用超参数优化 (HPO) 来完成。

Qlik Predict 仅针对您在实验配置中选择的算法集中最好的算法运行超参数优化。首先运行随机搜索，然后运行网格搜索，以找到该算法的最佳超参数。

在使用超参数优化之前，有几个重要事项需要考虑：

• 不要在首次训练模型时使用超参数优化。它旨在您训练完模型并对结果满意后使用。该过程通常需要反复改进和重新训练。

• 超参数优化会增加大量时间。如果使用标准预定义超参数值训练模型需要 5 分钟，那么在启用超参数优化的情况下训练同一模型可能会花费数小时。

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：

• 二分类模型

  • CatBoost 分类

  • Elastic Net 回归

  • Lasso 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

执行以下操作：

1. 在实验中，单击 查看配置。

   实验配置面板将打开。

2. 如果需要，单击 创建新版本 以配置下一个版本。

3. 在面板中，展开 模型优化。

4. 从 智能 切换到 手动。

   智能模型优化不提供超参数优化。

5. 勾选 超参数优化 复选框。

查看超参数值

在详细模型分析期间，在 比较 选项卡中查看超参数值。有关更多信息，请参阅 执行 详细的模型分析。