Slovar pojmov

Optimizacija hiperparametrov

Kaj je Optimizacija hiperparametrov?

Hiperparametri so nastavitve, ki so določene pred učenjem modela, na primer stopnja učenja, število slojev ali moč regularizacije. Optimizacija hiperparametrov sistematično išče kombinacijo, ki je najboljša na validacijskih podatkih, na primer z mrežnim iskanjem, naključnim iskanjem ali Bayesovo optimizacijo. Dobro izbrane vrednosti izboljšajo natančnost in zmanjšajo čezmerno ali premajhno prilagajanje, a iskanje zahteva računski čas.

Kako pomaga KI.ordo

KI.ordo modelov ne uči; sorodna nastavitev je drsnik „temperatura“ pri agentih, nastavitev med izvajanjem, ki določa, kako raznoliki so odgovori.

Več o tem

Teme

Training
Kakovost modela
Tuning

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev

← Vsi pojmi

Sorodni pojmi

Overfitting

Preveliko prileganje nastane, ko si model zapomni podatke za učenje, vključno z naključnimi posebnostmi in šumom, namesto da bi zajel splošno veljavne vzorce. Na znanih podatkih potem deluje zelo natančno, na novih pa slabo. Tipičen znak je velika razlika med napako pri učenju in napako pri testiranju. Protiukrepi so več ali bolj raznolikih podatkov, preprostejši modeli, regularizacija, izpuščanje (dropout) in navzkrižno preverjanje.

kakovost modela
učenje
+1

Navzkrižno preverjanje

Navzkrižno preverjanje je metoda za preverjanje, kako dobro model posplošuje na nove, še nevidene podatke. Pri k-kratnem navzkrižnem preverjanju se podatki razdelijo na k delov; model se k-krat nauči na k−1 delih in vsakič preizkusi na preostalem delu, nato se rezultati povprečijo. To pomaga odkriti čezmerno prilagajanje ter pošteno primerjati modele ali nastavitve, zlasti kadar je podatkov malo.

Vrednotenje modelov
Validacija
+1

Strojno učenje

Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.

osnove
UI
+1

Regularizacija

Regularizacija zajema tehnike, ki med učenjem preprečujejo, da bi se model preveč tesno prilegel podatkom za učenje (preveliko prileganje). Primeri so kaznovanje velikih uteži (regularizacija L1 ali L2), naključno izklapljanje nevronov (dropout) ali ustavitev učenja ob pravem času (zgodnja ustavitev). Cilj je preprostejši model, ki zanesljiveje deluje na novih, še nevidenih podatkih, tudi če na podatkih za učenje doseže nekoliko slabši rezultat.

učenje
preveliko prileganje
+1