Публикации по теме 'hyperparameter-tuning'
Прикладная наука о данных в моем саду — «Королева лотоса»
Добро пожаловать в мир Леди Харт! После более чем 10-летнего путешествия по сбору данных я собрал несколько загадочных растений и вырастил их в своем саду.
🍀 Каждое из этих растений обладает суперсилой для применения практических решений в области науки о данных в реальном мире. Посетив мой сад, вы не только увидите эти растворы, но и получите ростки этих растений, чтобы иметь возможность выращивать их у себя! 💖
Королева Лотос
Королева Лотос - королева этого сада. Хотите знать,..
Настройка гиперпараметров с помощью Python: часть 2
Часть реализации!
В первой части этой серии сообщений в блоге мы обсудили множество вещей, связанных с концепциями, которые необходимо знать перед выполнением экспериментов по настройке гиперпараметров, в том числе:
Оценка моделей машинного обучения Введение в настройку гиперпараметров Исчерпывающий поиск Изучение байесовской оптимизации Изучение эвристического поиска Изучение многоцелевой оптимизации
В этой статье мы подробнее обсудим, как использовать несколько мощных..
Байесовская оптимизация с гауссовскими процессами, часть 1
Многомерные гауссианы
Байесовская оптимизация — относительно простая для понимания концепция. Однако, копаясь в этом, я изо всех сил пытался найти статьи, в которых был бы хороший баланс между слишком большим количеством деталей и слишком маленьким. Эта серия статей направлена на то, чтобы найти этот баланс.
Сериал разбит на три части:
1. Многомерные гауссианы (эта статья)
2. Регрессия гауссовского процесса
3. Байесовская оптимизация с использованием регрессии гауссовского..
Важность предварительной обработки данных и тонкой настройки
Предварительная обработка данных и точная настройка — одни из наиболее важных методов, которые могут значительно повысить производительность вашей модели. Давайте проведем небольшой эксперимент, чтобы понять влияние этих методов.
Предварительная обработка данных — это процесс, в котором мы обновляем необработанные данные, чтобы сделать их подходящими для нашей модели машинного обучения. Тонкая настройка — это метод выбора наилучшего набора гиперпараметров для данной модели.
Для..
Деревья решений: введение и интуиция
Принятие решений на основе данных с помощью Python
Это первая статья из серии о деревьях решений. В этом посте я представлю деревья решений и опишу, как их растить с помощью данных. Пост завершается примером кода Python, показывающим, как создать и использовать дерево решений для составления медицинских прогнозов.
Ключевые моменты:
Деревья решений — это широко используемый и интуитивно понятный метод машинного обучения, используемый для решения задач прогнозирования. Мы можем..
Алгоритмы коленного графика: стандартизация дилеммы компромисса
Понимание проблемы компромисса
Во многих реальных сценариях мы сталкиваемся с ситуациями, когда улучшение одного аспекта происходит за счет другого. Например, рассмотрим производительность модели машинного обучения по отношению к ее сложности. По мере увеличения сложности модели ее точность на обучающих данных может повыситься. Тем не менее, в какой-то момент модель начнет переобучать, что приведет к снижению производительности на тестовых/проверочных данных.
Проблема компромисса..