Introduction
Dans le Machine Learning, les modèles sont formés pour prédire des étiquettes inconnues pour de nouvelles données en fonction des corrélations entre les étiquettes connues et les fonctionnalités trouvées dans les données d’apprentissage. Selon l’algorithme utilisé, vous devrez peut-être spécifier hyperparamètres pour configurer la façon dont le modèle est entraîné.
Par exemple, l’algorithme de régression logistique utilise un taux de régularisation hyperparamètre pour contrecarrer le surajustement ; et les techniques d’apprentissage profond pour les réseaux neuronaux convolutionnels utilisent des hyperparamètres comme taux d’apprentissage pour contrôler la façon dont les pondérations sont ajustées pendant l’entraînement, et taille de lot pour déterminer le nombre d’éléments de données inclus dans chaque lot d’apprentissage.
Remarque
Machine Learning est un domaine académique avec sa propre terminologie particulière. Les scientifiques des données font référence aux valeurs déterminées à partir des fonctionnalités d’entraînement en tant que paramètres . Par conséquent, un terme différent est requis pour les valeurs utilisées pour configurer le comportement d’entraînement, mais qui ne sont pas dérivées des données d’entraînement , par conséquent, le terme hyperparamètre.
Le choix des valeurs d’hyperparamètre peut affecter considérablement le modèle résultant, ce qui rend important de sélectionner les meilleures valeurs possibles pour vos données particulières et les objectifs de performances prédictifs.
Réglage des hyperparamètres
réglage des hyperparamètres s’effectue en formant plusieurs modèles, en utilisant les mêmes données d’apprentissage et d’algorithme, mais des valeurs d’hyperparamètre différentes. Le modèle résultant de chaque exécution d’entraînement est ensuite évalué pour déterminer la métrique de performances pour laquelle vous souhaitez optimiser (par exemple, précision), et le modèle le plus performant est sélectionné.
Dans Azure Machine Learning, vous pouvez régler les hyperparamètres en exécutant un script en tant que travail de balayage. Un travail de balayage exécute un essai pour chaque combinaison d’hyperparamètres à tester. Chaque essai utilise un script d’entraînement avec des valeurs d’hyperparamètre paramétrables pour entraîner un modèle et enregistre la métrique de performances cible obtenue par le modèle entraîné.
Objectifs d’apprentissage
Dans ce module, vous allez apprendre à :
- Définissez un espace de recherche d’hyperparamètre.
- Configurez l’échantillonnage d’hyperparamètres.
- Sélectionnez une stratégie d’arrêt anticipé.
- Exécuter un travail de balayage.