技术编程机器学习之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 。
本文插图
【技术编程机器学习之Hyperparameter Tuning】
推荐阅读
- 前瞻网|华大推15分钟新冠快速检测盒，前瞻医疗器械产业全球周报第47期:苹果被起诉窃取血氧监测专利技术
- 极酷数码客|价格很有优势，雷军刚发布行业领先技术！小米新机紧接被曝光
- 麦田军事观察|印度抨击法国公司拒绝转让核心技术啥意义？不知花钱买不来现代化
- 沈潮汐|扬言基建技术超越中国，2天后愣住了，印度3天时间搭好一座桥
- 量子科技，爆发！有项关键技术中国已领先世界
- 狼|日本居民区摆出红眼机器“魔鬼狼”，为防熊出没
- 葡萄|到底要不要去葡萄皮？果酒机器：酿葡萄酒
- 歼-20|又一国看上国产战机，关键部位采用歼-20技术，一口气要采购40架
- 一品汽车|“备胎上位”道阻且长，氢燃料电池技术储备不足
- 追梦格林|追梦格林谈球场心态：心态就是一项技术，我给不了杜兰特我的心态