Slovník pojmov

Optimalizácia hyperparametrov

Čo je Optimalizácia hyperparametrov?

Hyperparametre sú nastavenia určené pred trénovaním modelu, ako je rýchlosť učenia, počet vrstiev alebo sila regularizácie. Optimalizácia hyperparametrov systematicky hľadá kombináciu, ktorá dosahuje najlepšie výsledky na validačných údajoch, napríklad pomocou mriežkového hľadania, náhodného hľadania alebo bayesovskej optimalizácie. Dobre zvolené hodnoty zlepšujú presnosť a znižujú nadmerné alebo nedostatočné prispôsobenie, no hľadanie stojí výpočtový čas.

Ako pomáha KI.ordo

KI.ordo modely netrénuje; súvisiacim ovládacím prvkom je posuvník „teplota“ agentov, nastavenie za behu, ktoré určuje, nakoľko pestré sú odpovede.

Zistiť viac

Témy

Training
kvalita modelu
Tuning

Vyskúšajte KI.ordo

Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.

Spustiť demo

← Všetky pojmy

Súvisiace pojmy

Overfitting

Preučenie (overfitting) nastáva, keď si model zapamätá trénovacie dáta vrátane náhodných zvláštností a šumu, namiesto toho, aby zachytil všeobecne platné vzory. Na známych dátach potom pôsobí veľmi presne, no na nových dátach podáva slabý výkon. Typickým znakom je veľký rozdiel medzi chybou na trénovacích a testovacích dátach. Protiopatrenia zahŕňajú viac či rozmanitejšie dát, jednoduchšie modely, regularizáciu, dropout a krížovú validáciu.

kvalita modelu
trénovanie
+1

Krížová validácia

Krížová validácia je metóda na kontrolu, nakoľko dobre model zovšeobecňuje na nové, nevidené údaje. Pri k-násobnej krížovej validácii sa údaje rozdelia na k častí; model sa k-krát trénuje na k−1 častiach a vždy sa testuje na zvyšnej časti, potom sa výsledky spriemerujú. Pomáha to odhaliť preučenie a spravodlivo porovnať modely alebo nastavenia, najmä keď je k dispozícii málo údajov.

Hodnotenie modelov
validácia
+1

Strojové učenie

Strojové učenie je odvetvie umelej inteligencie, v ktorom počítače odvodzujú vzorce z údajov namiesto toho, aby sa každé pravidlo explicitne programovalo. Podľa úlohy sa modely učia z označených príkladov (s učiteľom), z neoznačených údajov (bez učiteľa) alebo prostredníctvom odmien (posilňované učenie). Aplikácie siahajú od filtrov spamu a predpovedí dopytu až po odporúčania produktov. Kvalita výrazne závisí od množstva a kvality trénovacích údajov.

základy
AI
+1

Regularizácia

Regularizácia zahŕňa techniky, ktoré bránia tomu, aby sa model počas trénovania príliš tesne prispôsobil trénovacím dátam (preučenie). Patrí sem penalizácia veľkých váh (regularizácia L1 alebo L2), náhodné vypínanie neurónov (dropout) alebo zastavenie trénovania v správnom okamihu (early stopping). Cieľom je jednoduchší model, ktorý na nových, nevidených dátach funguje spoľahlivejšie, aj keď na trénovacích dátach dosahuje o niečo nižšie skóre.

trénovanie
preučenie
+1