Публикации по теме 'hyperparameter-tuning'
Оптимизация гиперпараметров с помощью EDASpy
Настройка гиперпараметров машинного обучения — утомительная задача, которую мы склонны откладывать до самого конца проекта. Гиперпараметры повсюду, ручная настройка практически невозможна.
Представьте, что у нас есть только один гиперпараметр, и мы хотим его оптимизировать. Нам пришлось бы выполнить программу, сценарий, алгоритм или что-то еще, что мы настраиваем, N раз, что является числом возможных значений параметра. С двумя параметрами нам пришлось бы выполнять N раз для каждого..
4 Полезные методы, которые могут уменьшить переобучение в деревьях решений
Переобучение - вторая серьезная проблема для специалистов по данным после пропущенных значений и выбросов. По сравнению с другими моделями машинного обучения, может легко произойти переоснащение деревьев решений, поскольку их алгоритмы обучения могут создавать большие и сложные деревья решений, которые идеально подходят для обучающих примеров. В общем, переобучение - это проблема, которая возникает, когда алгоритм обучения идеально подходит для обучающих данных, но не может быть..
Оценка всех возможных комбинаций гиперпараметров -Поиск по сетке-
Комбинации гиперпараметров с / без библиотеки Sklearn в одном представлении
Table of Contents
1. Introduction
2. Grid Search without Sklearn Library
3. Grid Search with Sklearn Library
4. Grid Search with Validation Dataset
5. Grid Search with Cross-Validation
6. Customized Grid Search
7. Different Cross-Validation types in Grid Search
8. Nested Cross-Validation
9. Summary
1. Введение
Модель и предварительная обработка индивидуальны для каждого проекта. Гиперпараметры..
Настройте гиперпараметры с помощью GridSearchCV
Эта статья была опубликована в рамках Блогатона Data Science .
При принятии решений на основе данных широко используются алгоритмы машинного обучения. В бизнес-задаче профессионал никогда не полагается на один алгоритм. Всегда применяется несколько релевантных алгоритмов, основанных на проблеме, и выбирается лучшая модель на основе лучших показателей производительности, показанных моделями. Но это еще не конец. Можно повысить производительность модели с помощью гиперпараметров. Таким..
Как мой LeNet достигает 99% точности
Введение
Тонкая настройка играет большую роль в обучении модели, и понимание значения каждого гиперпараметра позволяет добиться успеха.
В этом посте я собираюсь показать вам, как я достиг 99% точности распознавания рукописных чисел MNIST, просто настроив три гиперпараметра. Я также пытаюсь реализовать с нуля классическую модель CNN, LeNet-5, чтобы познакомить меня со структурой и основными компонентами модели CNN. Более того, я построю свою модель LeNet-5 в Flux.jl , чтобы показать..
Представляем Tuun, систему с открытым исходным кодом для настройки гиперпараметров с помощью моделирования неопределенности
Авторы: Petuum CASL Team
Мы рады представить нашу новейшую программу с открытым исходным кодом Tuun !
Что такое Туун?
Tuun позволяет встроить методы AutoML и мета-обучения в конвейеры машинного обучения, чтобы повысить производительность и точность задач. Наш первоначальный выпуск поддерживает настройку черного ящика , оптимизацию гиперпараметров, увеличение данных и оптимизацию нулевого порядка, а поиск Neural Architecture Search появится в нашем следующем крупном..
Управление кредитным риском: модели классификации и настройка гиперпараметров
Последняя часть направлена на то, чтобы провести вас через процесс применения различных алгоритмов классификации к нашему преобразованному набору данных, а также создать наиболее эффективную модель с помощью настройки гиперпараметров.
Напоминаем, что этот сквозной проект направлен на решение проблемы классификации в Data Science, особенно в финансовой индустрии, и разделен на 3 части:
Пояснительный анализ данных (EDA) и разработка функций Масштабирование и выбор функций (бонус:..
