Glosar

Optimizarea hiperparametrilor

Ce este Optimizarea hiperparametrilor?

Hiperparametrii sunt setări stabilite înainte de antrenarea unui model, precum rata de învățare, numărul de straturi sau intensitatea regularizării. Optimizarea hiperparametrilor caută sistematic combinația cu cele mai bune rezultate pe datele de validare, de exemplu prin căutare în grilă, căutare aleatorie sau optimizare bayesiană. Valorile bine alese îmbunătățesc acuratețea și reduc supra- sau subînvățarea, dar căutarea costă timp de calcul.

Cum ajută KI.ordo

KI.ordo nu antrenează modele; un control înrudit este cursorul „temperatură” al agenților, o setare la rulare care stabilește cât de variate sunt răspunsurile.

Aflați mai multe

Subiecte

Training
calitatea modelului
Tuning

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Overfitting

Supraajustarea (overfitting) apare atunci când un model memorează datele de antrenare, inclusiv particularitățile întâmplătoare și zgomotul, în loc să surprindă tipare general valabile. Pare apoi foarte precis pe datele cunoscute, dar are performanțe slabe pe date noi. O diferență mare între eroarea de antrenare și cea de testare este un semn tipic. Contramăsurile includ mai multe date sau date mai variate, modele mai simple, regularizare, dropout și validare încrucișată.

calitatea modelului
antrenare
+1

Validarea încrucișată

Validarea încrucișată este o metodă de verificare a cât de bine generalizează un model pe date noi, nevăzute. În validarea încrucișată k-fold, datele sunt împărțite în k părți; modelul este antrenat de k ori pe k−1 părți și testat de fiecare dată pe partea rămasă, după care rezultatele sunt mediate. Aceasta ajută la depistarea supraînvățării și la compararea echitabilă a modelelor sau setărilor, mai ales când sunt disponibile puține date.

Evaluarea modelelor
validare
+1

Învățare automată

Machine learning este o ramură a inteligenței artificiale în care computerele deduc tipare din date, în loc ca fiecare regulă să fie programată explicit. În funcție de sarcină, modelele învață din exemple etichetate (supervizat), din date neetichetate (nesupervizat) sau prin recompense (prin întărire). Aplicațiile merg de la filtrele de spam și prognozele de cerere până la recomandările de produse. Calitatea depinde în mare măsură de cantitatea și calitatea datelor de antrenare.

noțiuni de bază
IA
+1

Regularizare

Regularizarea cuprinde tehnici care împiedică un model să se potrivească prea strâns datelor sale de antrenare în timpul antrenării (supraajustare). Exemple sunt penalizarea ponderilor mari (regularizare L1 sau L2), dezactivarea aleatorie a neuronilor (dropout) sau oprirea antrenării la momentul potrivit (early stopping). Scopul este un model mai simplu, care funcționează mai fiabil pe date noi, nevăzute, chiar dacă obține un scor puțin mai mic pe datele de antrenare.

antrenare
supraajustare
+1