Terminų žodynas

Hiperparametrų optimizavimas

Kas yra Hiperparametrų optimizavimas?

Hiperparametrai yra nustatymai, parenkami prieš apmokant modelį, pavyzdžiui, mokymosi sparta, sluoksnių skaičius ar reguliarizavimo stiprumas. Hiperparametrų optimizavimas sistemingai ieško derinio, kuris geriausiai veikia su validavimo duomenimis, pavyzdžiui, tinklelio paieška, atsitiktine paieška ar Bajeso optimizavimu. Gerai parinktos reikšmės pagerina tikslumą ir sumažina per didelį ar per mažą pritaikymą, tačiau paieška kainuoja skaičiavimo laiko.

Kaip padeda KI.ordo

KI.ordo modelių neapmoko; panašus valdiklis yra agentų „temperatūros“ slankiklis – vykdymo metu keičiamas nustatymas, lemiantis, kiek įvairūs bus atsakymai.

Sužinoti daugiau

Temos

Training
modelio kokybė
Tuning

Išbandykite KI.ordo

Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.

Pradėti demonstraciją

← Visi terminai

Susiję terminai

Overfitting

Persimokymas atsiranda, kai modelis įsimena mokymo duomenis, įskaitant atsitiktinius ypatumus ir triukšmą, užuot išmokęs visuotinai galiojančių dėsningumų. Tada jis atrodo labai tikslus su pažįstamais duomenimis, bet prastai veikia su naujais. Tipiškas požymis – didelis atotrūkis tarp mokymo ir testavimo paklaidos. Priemonės: daugiau ar įvairesnių duomenų, paprastesni modeliai, reguliarizavimas, dropout ir kryžminis patikrinimas.

modelio kokybė
mokymas
+1

Kryžminis patvirtinimas (cross-validation)

Kryžminis patvirtinimas – tai metodas patikrinti, kaip gerai modelis apibendrina naujus, nematytus duomenis. Taikant k dalių kryžminį patvirtinimą, duomenys padalijami į k dalių; modelis k kartų apmokomas su k−1 dalimi ir kaskart išbandomas su likusia dalimi, o paskui rezultatai suvidurkinami. Tai padeda aptikti persimokymą ir sąžiningai palyginti modelius ar nustatymus, ypač kai duomenų nedaug.

Modelio vertinimas
patvirtinimas (validacija)
+1

Mašininis mokymasis

Mašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.

pagrindai
DI
+1

Reguliarizavimas

Reguliarizavimas apima metodus, kurie mokymo metu neleidžia modeliui per tiksliai prisitaikyti prie mokymo duomenų (persimokymas). Pavyzdžiai: didelių svorių baudimas (L1 arba L2 reguliarizavimas), atsitiktinis neuronų išjungimas (dropout) arba mokymo sustabdymas tinkamu momentu (early stopping). Tikslas – paprastesnis modelis, patikimiau veikiantis su naujais, nematytais duomenimis, net jei mokymo duomenyse jo rezultatas šiek tiek prastesnis.

mokymas
persimokymas
+1