Публикации по теме 'hyperparameter-tuning'


Синяя книга соревнований по бульдозерам, часть 3 — Выбор характеристик
Введение В этой части мы собираемся выбрать функции, то есть просто удалить избыточные функции, чтобы получить более простую и быструю модель, а в некоторых случаях даже повысить точность. Это очень простая, но чрезвычайно мощная и важная концепция, которую вы всегда должны применять к структурированным наборам данных. Вы можете найти блокнот для этого урока здесь . Без лишних слов, давайте приступим к кодированию (в Colab)! Настройка гиперпараметров Прежде чем мы удалим лишние..
Введение в K-кратную перекрестную проверку
Введение Перекрестная проверка — это метод проверки, часто используемый в машинном обучении, и в этой статье мы рассмотрим, как К-кратная перекрестная проверка (К-кратное резюме) работает и как ее использовать (К — это часто устанавливается равным 5 или 10 в зависимости от размера данных). Рабочий процесс Перекрестная проверка имеет 2 основных применения, но рабочий процесс аналогичен. Разделение данных на набор для обучения и тестирования (80/20 — популярный выбор)...
Практическое руководство по настройке гиперпараметров моделей XGBoost с использованием байесовской оптимизации и сетки…
Введение: XGBoost (Extreme Gradient Boosting) — популярный алгоритм машинного обучения, который обычно используется для задач регрессии и классификации. Алгоритм основан на алгоритме Gradient Boosting и использует ансамбль деревьев решений для прогнозирования. XGBoost широко известен своей высокой точностью, скоростью и способностью обрабатывать большие наборы данных. Перекрестная проверка (CV) — это метод, используемый для оценки производительности модели машинного обучения. Он..
Изучение алгоритма случайного леса: от теории к практике с Python
Введение Алгоритм случайного леса является универсальным и мощным инструментом для решения задач классификации и регрессии. Основываясь на фундаменте ансамблевого обучения и принципах пакетирования, Random Forest стал мощным решением для сложных задач классификации и регрессии. В нашем предыдущем блоге мы погрузились в область ансамблевого обучения и сбора данных, заложив основу для нашего путешествия по сложным слоям алгоритма случайного леса. Понимание ансамблевого обучения..
Что такое настройка гиперпараметров?
💡 Эта запись в блоге — первая часть нашей серии статей о настройке гиперпараметров. Если вам нужен практический обзор различных методов настройки, обязательно ознакомьтесь с частью 2 Как настроить гиперпараметры в XGBoost и частью 3 Как распределить настройку гиперпараметров с помощью Ray Tune . Настройка гиперпараметров является неотъемлемой частью управления поведением модели машинного обучения. Если мы неправильно настроим наши гиперпараметры, наши оценочные параметры модели дадут..
Ухаживайте за своей моделью с помощью обратных вызовов Keras
В этом руководстве мы поймем ключевую роль функций обратного вызова при обучении модели глубокого обучения. Обучение модели глубокого обучения требует много времени. Иногда может случиться так, что вы работаете с моделью несколько дней и не можете найти минимально ожидаемых результатов. Таким образом, мы можем преодолеть это, управляя некоторыми функциями обратного вызова и отслеживая потери, точность и т. Д. Во время обучения. Keras - это библиотека глубокого обучения, построенная..
Использование вычислительной мощности для ускорения итераций в экспериментах по машинному обучению
Экспериментируйте с начальной загрузкой и повышайте производительность с помощью шаблонов Python в контексте машинного обучения Я создал шаблон Python , который упрощает проведение экспериментов по машинному обучению на AWS, чтобы вы тоже могли использовать преимущества массивных облачных вычислений для своих проектов. Это сокращает время цикла эксперимента, позволяет группировать несколько экспериментов вместе и повышает общую производительность. Мотивация Ожидание завершения..