江苏龙网

  1. 首页 > 资讯 > 科技 > >

技术编程,AI人工智能|机器学习之Hyperparameter Tuning

【技术编程,AI人工智能|机器学习之Hyperparameter Tuning】机器学习时模型训练非常简单 ， 将数据分成训练集（training set）和测试集（testing set） ， 用training set训练模型 ， 然后将模型应用到testing set上评估模型的好坏 。
怎么优化模型 ， 使得模型更加稳定有效呢？
方法是超参数优化（Hyperparameter tuning） 。比如我们有3个hyperparameter ， 每个Hyperparameter可以设置3个数值 ， 这样我们就可以得到3X3X3=27个组合 ， 然后用相同的训练集分别训练27个模型 ， 将这27个模型分别应用在testing set上 ， 就可以比较出那组Hyperparameter组合比较好 。
但是 ， 当我们把模型应用到真实场景的时候 ， 往往会发现模型效果比在testing set上差很多 。为什么会出现这样的问题呢？原因是我们调整参数的时候都是用的一套testing set ， 所以我们选择的参数只是适应这个特殊的数据集 。这时候validation set就该上场了！
这次数据就不能只分为训练集和测试集了 ， 而是在训练集和测试集之外再分出验证集（validation set） 。在Hyperparameter tuning时将训练的模型应用到validation set上挑选出最好的Hyperparameter 组合 ， 然后将最好组合的模型应用到testing set上 ， 得到模型的最终效果 。
这时候另外一个问题出现了 ， 由于我们这次将模型应用在一个固定validation set上 ， 而validation set 有可能太大或者太小 ， 这次得到的模型很有可能不是模型的最优解 ， 怎么办呢？我们可以用k fold cross validation来解决这个问题 。如下图 ， 首先将数据分为训练集和测试集 ， 训练集再分为k份（例子中是5份） ， 模型训练的时候用其中的k-1份作为训练集 ， 用剩下的一份数据作为验证集 ， 这样训练k个模型 ， 将k次建模结果的平均数作为这个Hyperparameter组合的最终结果 ， 这样得到模型的最优解 。
技术编程,AI人工智能|机器学习之Hyperparameter Tuning
文章图片

文章图片


    推荐阅读


    上一篇：5G手机|想换5G手机别乱选，这4部都是新旗舰，人气超高，可以闭眼选

    下一篇：行业互联网,工业互联网|工业互联网大会永久落户沈阳