Ordliste

Hyperparameteroptimering

Hvad er Hyperparameteroptimering?

Hyperparametre er indstillinger, der fastlægges, før en model trænes, f.eks. læringsraten, antallet af lag eller regulariseringens styrke. Hyperparameteroptimering søger systematisk efter den kombination, der klarer sig bedst på valideringsdata, f.eks. gennem grid search, random search eller bayesiansk optimering. Velvalgte værdier forbedrer nøjagtigheden og mindsker over- eller underfitting, men søgningen koster regnetid.

Sådan hjælper KI.ordo

KI.ordo træner ikke modeller; en beslægtet indstilling er agenternes 'temperatur'-skyder, en kørselsindstilling, der styrer, hvor varierede svarene er.

Læs mere

Emner

Training
Modelkvalitet
Tuning

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo

← Alle begreber

Relaterede begreber

Overfitting

Overfitting opstår, når en model lærer træningsdataene udenad, inklusive tilfældige særheder og støj, i stedet for at fange generelt gyldige mønstre. Den virker så meget nøjagtig på kendte data, men klarer sig dårligt på nye data. En stor forskel mellem trænings- og testfejl er et typisk tegn. Modforanstaltninger er flere eller mere varierede data, enklere modeller, regularisering, dropout og krydsvalidering.

modelkvalitet
træning
+1

Krydsvalidering

Krydsvalidering er en metode til at kontrollere, hvor godt en model generaliserer til nye, usete data. Ved k-fold-krydsvalidering deles data i k dele; modellen trænes k gange på k−1 dele og testes hver gang på den resterende del, hvorefter resultaterne gennemsnitsberegnes. Det hjælper med at opdage overfitting og sammenligne modeller eller indstillinger fair, især når der er få data.

Modelevaluering
Validering
+1

Maskinlæring

Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.

grundbegreber
AI
+1

Regularisering

Regularisering omfatter teknikker, der under træningen forhindrer en model i at tilpasse sig træningsdataene for tæt (overfitting). Eksempler er straf for store vægte (L1- eller L2-regularisering), tilfældig frakobling af neuroner (dropout) eller at stoppe træningen på det rette tidspunkt (early stopping). Målet er en enklere model, der fungerer mere pålideligt på nye, usete data, selv om den scorer lidt lavere på træningsdataene.

træning
overfitting
+1