Давайте обсудим идеи, лежащие в основе интеллектуального поиска гиперпараметров для ваших моделей машинного обучения. Когда мы обучаем модель машинного обучения, у нас есть выбор: какую модель использовать, как подготовить набор данных, как обрабатывать выбросы и т. Д. Один из вариантов - гиперпараметры; это параметры, которые контролируют процесс обучения, но не могут быть получены с помощью самого обучения. Вот несколько примеров: Скорость обучения, эпохи, количество слоев /..

Алгоритм случайного леса оказался одним из самых востребованных алгоритмов в области машинного обучения. Это произошло в первую очередь из-за того, что он всесторонне решает проблему, вызванную его родительским алгоритмом Decision Tree, переобучением. Деревья решений обвиняются в низком смещении и высокой дисперсии, поскольку они оценивают каждый узел в дереве и часто в конечном итоге следуют одному и тому же шаблону, а не обобщают полученные знания. Случайный лес, с другой стороны,..

Это был бы отличный вопрос для интервью Я просматривал Твиттер, и не относящийся к теме пост о keras-tuner заставил меня задуматься, должны ли мы использовать настройку гиперпараметров для справедливости ML? И почему моя немедленная реакция была такой негативной? Я не собираюсь решать этот вопрос здесь, но думаю, что аргументы могут быть приведены в пользу любой из сторон, что делает его подходящим для вопроса на собеседовании по машинному обучению. Да, потому что люди сделали это...

Прежде всего, я хотел бы прояснить, что я никоим образом не являюсь экспертом и во всех смыслах и целях я все еще учусь. При этом этот пост родился из-за моего замешательства в концепции настройки гиперпараметров. Хотя на данный момент у меня более или менее четкое представление об этой концепции, поначалу она была для меня главным источником разочарования. Без долгих задержек приступим. Википедия определяет настройку гиперпараметров в машинном обучении как проблему выбора набора..