超參數最佳化

機器學習模型需要不同的限制式、權重或學習率，以一般化不同的資料模式。這些量值稱為超參數，用來控制學習流程。需要微調超參數，讓模型能以最佳方式解決機器學習問題。

依照預測，AutoML 為每個用於模型訓練的演算法使用一組預先定義的超參數值。這些是標準、最佳化的值，通常受資料科學社群所接受。會自動選取表現最佳的超參數值組合。

不過，在某些情況下，您可能會想要微調模型，以獲得最佳預測結果。這可以使用超參數最佳化 (HPO) 進行。

AutoML 僅為您在實驗設定中所選集合的最佳演算法執行超參數最佳化。首先，會執行隨機搜尋，然後執行格線搜尋，以尋找演算法的最佳超參數。

使用超參數最佳化之前，應考慮幾件重要事項：

• 首次訓練模型時，請勿使用超參數最佳化。其設計是在您訓練模型且滿意結果之後使用。該流程通常需要重複的精簡和重複訓練。

• 超參數最佳化會增加相當大的時間。若模型的訓練流程在使用標準的預先定義超參數值時需要五分鐘，則使用超參數最佳化訓練相同模型可能需要數小時。

用於超參數最佳化的演算法

超參數最佳化受限於特定演算法和模型類型。這專門為搭配下列模型類型和演算法所設計：

• 二進位分類模型

  • CatBoost 分類

  • 彈性網迴歸

  • 套索迴歸

  • LightGBM 分類

  • 邏輯迴歸

  • 隨機樹系分類

  • XGBoost 分類

• 迴歸模型

  • CatBoost 迴歸

  • LightGBM 迴歸

  • 隨機樹系迴歸

  • XGBoost 迴歸

啟用超參數最佳化

您可在模型最佳化之下的實驗設定窗格中啟用超參數最佳化。

檢視超參數值

若要檢視用於模型的超參數值，按一下模型指標表格中超參數欄的 。