Glossário

Otimização de hiperparâmetros

O que é Otimização de hiperparâmetros?

Os hiperparâmetros são definições fixadas antes do treino de um modelo, como a taxa de aprendizagem, o número de camadas ou a intensidade da regularização. A otimização de hiperparâmetros procura sistematicamente a combinação com melhor desempenho nos dados de validação, por exemplo através de pesquisa em grelha, pesquisa aleatória ou otimização bayesiana. Valores bem escolhidos melhoram a exatidão e reduzem o sobreajuste ou o subajuste, mas a pesquisa consome tempo de cálculo.

Como o KI.ordo ajuda

O KI.ordo não treina modelos; um controlo semelhante é o cursor de "temperatura" dos agentes, uma definição de execução que determina o grau de variação das respostas.

Saber mais

Temas

Training
Qualidade do modelo
Tuning

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Overfitting

O sobreajuste (overfitting) ocorre quando um modelo memoriza os dados de treino, incluindo particularidades aleatórias e ruído, em vez de captar padrões de validade geral. Parece então muito exato com os dados conhecidos, mas tem um mau desempenho com dados novos. Uma grande diferença entre o erro de treino e o erro de teste é um sinal típico. Entre as contramedidas contam-se mais dados ou dados mais variados, modelos mais simples, regularização, dropout e validação cruzada.

qualidade do modelo
treino
+1

Validação cruzada

A validação cruzada é um método para verificar em que medida um modelo generaliza para dados novos, nunca vistos. Na validação cruzada k-fold, os dados são divididos em k partes; o modelo é treinado k vezes em k−1 partes e testado de cada vez na parte restante, após o que os resultados são calculados em média. Isto ajuda a detetar o sobreajuste e a comparar modelos ou configurações de forma justa, sobretudo quando há poucos dados.

Avaliação de modelos
Validação
+1

Aprendizagem automática

O machine learning é um ramo da inteligência artificial em que os computadores deduzem padrões a partir de dados, em vez de cada regra ser programada explicitamente. Consoante a tarefa, os modelos aprendem com exemplos etiquetados (supervisionada), com dados não etiquetados (não supervisionada) ou através de recompensas (por reforço). As aplicações vão de filtros de spam e previsões de procura a recomendações de produtos. A qualidade depende muito da quantidade e da qualidade dos dados de treino.

fundamentos
IA
+1

Regularização

A regularização abrange técnicas que impedem um modelo de se ajustar demasiado aos seus dados de treino durante o treino (sobreajuste). Os exemplos incluem penalizar pesos elevados (regularização L1 ou L2), desligar neurónios de forma aleatória (dropout) ou parar o treino no momento certo (early stopping). O objetivo é um modelo mais simples, que funcione de forma mais fiável com dados novos e desconhecidos, mesmo que obtenha uma pontuação ligeiramente inferior nos dados de treino.

treino
sobreajuste
+1