Ordlista

Hyperparameteroptimering

Vad är Hyperparameteroptimering?

Hyperparametrar är inställningar som fastställs innan en modell tränas, till exempel inlärningshastigheten, antalet lager eller regulariseringens styrka. Hyperparameteroptimering söker systematiskt efter den kombination som presterar bäst på valideringsdata, till exempel genom rutnätssökning, slumpmässig sökning eller bayesiansk optimering. Väl valda värden förbättrar träffsäkerheten och minskar över- och underanpassning, men sökningen kostar beräkningstid.

Så hjälper KI.ordo

KI.ordo tränar inte modeller; en besläktad inställning är agenternas reglage ”temperatur”, en körningsinställning som styr hur varierade svaren blir.

Läs mer

Ämnen

Training
Modellkvalitet
Tuning

Prova KI.ordo

Agenter, flöden och mallar i en arbetsyta – gratis demo i 24 timmar.

Starta demo

← Alla begrepp

Relaterade begrepp

Overfitting

Överanpassning (overfitting) uppstår när en modell memorerar träningsdata, inklusive slumpmässiga egenheter och brus, i stället för att fånga allmängiltiga mönster. Den ser då mycket exakt ut på bekanta data men presterar dåligt på nya. Ett stort gap mellan träningsfel och testfel är ett typiskt tecken. Motåtgärder är fler eller mer varierade data, enklare modeller, regularisering, dropout och korsvalidering.

modellkvalitet
träning
+1

Korsvalidering

Korsvalidering är en metod för att kontrollera hur väl en modell generaliserar till nya, osedda data. Vid k-faldig korsvalidering delas data upp i k delar; modellen tränas k gånger på k−1 delar och testas varje gång på den återstående delen, varefter resultaten medelvärdesbildas. Det hjälper till att upptäcka överanpassning och att jämföra modeller eller inställningar rättvist, särskilt när det finns lite data.

Modellutvärdering
Validering
+1

Maskininlärning

Maskininlärning är en gren av artificiell intelligens där datorer härleder mönster ur data i stället för att varje regel programmeras explicit. Beroende på uppgift lär sig modellerna av annoterade exempel (övervakad inlärning), av oannoterade data (oövervakad inlärning) eller genom belöningar (förstärkningsinlärning). Tillämpningarna sträcker sig från skräppostfilter och efterfrågeprognoser till produktrekommendationer. Kvaliteten beror starkt på mängden och kvaliteten på träningsdata.

grunder
AI
+1

Regularisering

Regularisering omfattar tekniker som hindrar en modell från att under träningen anpassa sig för nära till sina träningsdata (överanpassning). Exempel är att straffa stora vikter (L1- eller L2-regularisering), slumpmässigt stänga av neuroner (dropout) eller avbryta träningen vid rätt tidpunkt (early stopping). Målet är en enklare modell som presterar mer tillförlitligt på nya, osedda data, även om den får något lägre resultat på träningsdata.

träning
överanpassning
+1