Fogalomtár

Hiperparaméter-optimalizálás

Mi a(z) Hiperparaméter-optimalizálás?

A hiperparaméterek a modell tanítása előtt rögzített beállítások, például a tanulási ráta, a rétegek száma vagy a regularizáció erőssége. A hiperparaméter-optimalizálás szisztematikusan keresi azt a kombinációt, amely a validációs adatokon a legjobban teljesít, például rácskereséssel, véletlen kereséssel vagy bayesi optimalizálással. A jól megválasztott értékek javítják a pontosságot, és csökkentik a túl- vagy alulillesztést, de a keresés számítási időbe kerül.

Így segít a KI.ordo

A KI.ordo nem tanít modelleket; rokon vezérlőelem az ügynökök „hőmérséklet” csúszkája, egy futásidejű beállítás, amely a válaszok változatosságát szabályozza.

További információ

Témák

Training
modellminőség
Tuning

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Overfitting

A túlillesztés (overfitting) akkor lép fel, amikor a modell megjegyzi a tanítóadatokat – a véletlen sajátosságokkal és a zajjal együtt –, ahelyett hogy általánosan érvényes mintákat ragadna meg. Ilyenkor az ismert adatokon nagyon pontosnak tűnik, az új adatokon viszont gyengén teljesít. A tanítási és a tesztelési hiba közötti nagy különbség tipikus jel. Ellenszerek: több vagy változatosabb adat, egyszerűbb modellek, regularizáció, dropout és keresztvalidáció.

modellminőség
tanítás
+1

Keresztvalidáció

A keresztvalidáció olyan módszer, amellyel ellenőrizhető, mennyire jól általánosít egy modell új, nem látott adatokra. A k-szoros keresztvalidációban az adatokat k részre osztják; a modellt k alkalommal tanítják k−1 részen, és minden alkalommal a megmaradt részen tesztelik, majd az eredményeket átlagolják. Ez segít felismerni a túlillesztést, és tisztességesen összehasonlítani modelleket vagy beállításokat, különösen kevés adat esetén.

Modellértékelés
validálás
+1

Gépi tanulás

A gépi tanulás a mesterséges intelligencia egyik ága, amelyben a számítógépek mintázatokat vezetnek le az adatokból ahelyett, hogy minden szabályt kifejezetten beprogramoznának. A feladattól függően a modellek címkézett példákból (felügyelt), címkézetlen adatokból (felügyelet nélküli) vagy jutalmakon keresztül (megerősítéses) tanulnak. Az alkalmazások a spamszűrőktől és kereslet-előrejelzésektől a termékajánlásokig terjednek. A minőség nagymértékben függ a tanítóadatok mennyiségétől és minőségétől.

alapok
MI
+1

Regularizáció

A regularizáció olyan technikákat foglal magában, amelyek megakadályozzák, hogy a modell a tanítás során túlságosan szorosan illeszkedjen a tanítóadataihoz (túlillesztés). Ilyen például a nagy súlyok büntetése (L1- vagy L2-regularizáció), a neuronok véletlenszerű kikapcsolása (dropout) vagy a tanítás megfelelő időpontban történő leállítása (early stopping). A cél egy egyszerűbb modell, amely megbízhatóbban teljesít új, ismeretlen adatokon, még ha a tanítóadatokon kissé gyengébb eredményt ér is el.

tanítás
túlillesztés
+1